【机器学习】线性回归

小猪咪piggy

于 2024-08-22 22:41:57 发布

阅读量557

点赞数 15

分类专栏：深度学习文章标签：机器学习线性回归人工智能

本文链接：https://blog.csdn.net/2401_86272648/article/details/141376140

版权

深度学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、什么是回归

分类任务很好理解，比如去银行贷款，银行会根据贷款人的年龄、工资（特征）去决定贷款（标签1）和不贷款（标签0）。而回归任务，是预测允许贷款的额度（标签是一个一定范围的数值）。如下图所示：

每个特征对结果的影响程度不同，比如对于银行贷款问题，工资（ $x_{1}$ ）肯定要比年龄（ $x_{2}$ ）的影响大。因此给 $x_{1}$ 和 $x_{2}$ 分别分配一个权重 $\theta _{1}$ 和 $\theta _{2}$ 。现在就得到了一个模型 $y=\theta _{1}x_{1}+\theta _{2}x_{2}$ 。

现在我们需要做的事就是，什么样的 $\theta _{1}$ 和 $\theta _{2}$ 对于这个模型来说是最合适的。

二、什么是线性

上面这个图中，红色的点就是数据，绿色的面就是模型。通俗地讲，线性就是这个模型是一个平面，并不能做到与每一个点完全拟合（不是曲面）。因此，对于线性回归任务，就是要找到一个平面，这个平面能尽可能地拟合更多的数据。

三、数学表达

（1）拟合的平面

现在，我们得到了一个拟合的平面： $h_{\theta}\left ( x \right )=\theta _{0}+\theta _{1}x_{1}+\theta _{2}x_{2}$ 。其中， $\theta _{0}$ 是偏置系数，它的作用是对平面的位置进行微调，而不改变平面的倾斜度，已找到最合适的平面。为了方便计算机的计算，会先将数据转换成矩阵的形式，即把拟合平面转换成矩阵的叉乘。如下面的一个数据：

每一个样本就是矩阵的行，每一个特征就是矩阵的列。补充 $x_{0}$ 全为1，是为了给拟合平面 $h_{\theta}\left ( x \right )$ 中的 $\theta _{0}$ 配一个权重，方便转换成矩阵叉乘的形式，补充值为1就不会对平面有任何影响。最后得到拟合的平面： $h_{\theta}\left ( x \right )=\theta _{}^{T}X$ ，其中 $\theta _{}^{T}$ 大小为1x3，X大小为3xn，3是特征个数（包含 $x_{0}$ ），n是样本个数。

真实值与预测值之间存在差异，如图上粉色的点是预测值，同一个 $x_{1}$ 和 $x_{2}$ 对应的红色点就是真实数据，它们之间的差异被称为误差，记作 $\varepsilon$ 。因此对于每一个样本的真实标签 $y_{}^{\left ( i \right )}$ 和模型预测的标签 $\theta _{}^{T}x_{}^{\left ( i \right )}$ ，都存在这样的关系： $y_{}^{\left ( i \right )}=\theta _{}^{T}x_{}^{\left ( i \right )}+\varepsilon _{}^{\left ( i \right )}$ 。

（2）误差的含义

先说明概念：误差 $\varepsilon _{}^{\left ( i \right )}$ 是独立同分布的，并且服从均值为0、方差为 $\theta_{}^{2}$ 的高斯分布。

为什么独立：样本之间是相互独立的，比如张三和李四一起到银行贷款，贷多少钱与别人没关系，不会因为张三叫银行给李四多贷点，银行就给多贷。因此，样本对应的误差，误差之间也是相互独立的。故在收集数据时，希望样本间是独立的，不希望他们之间有顺序或者有逻辑关系，在对样本进行学习前，通常会对它们进行shuffle（打乱）。

为什么同分布：比如张三去建行贷款，李四去农行贷款，这两个银行的贷款规则都不一样，用同一个模型去预测就不太准确了。因此尽可能要求误差同分布，类似于生物实验中的单一变量原则。

为什么是均值为0的高斯分布：均值为0的意思，打个比方，银行会少给有些人额度，也会多给有些人额度（多给少给的部分就相当于误差），但综合起来的平均值是趋向于0的。高斯分布又叫正态分布，它的形状是中间多，两边少，均值为0的正态分布是以 $\varepsilon =0$ 为对称轴的，如上图所示。达到的效果就是，误差比较小的情况是比较正常的（银行多给或者少给几块钱），出现误差比较大的情况的概率要尽可能小（银行多给或者少给几万块钱）。所以，误差服从均值为0的高斯分布目的是让大多数误差接近于0。

那我们所求的模型的误差，要完全符合均值为0、方差为 $\theta_{}^{2}$ 的高斯分布吗？其实，数学推导只是对理论的支撑，实际的情况并不能做到百分百准确，我们做的只是找到最优解，能解决实际的问题即可，而不是要求完全与数学得到的数值一模一样。

因为误差服从高斯分布，所以将均值0带入正态分布的概率密度函数得到（expA表示 $e^{A}$ ）：

$p\left ( \varepsilon _{}^{\left ( i \right )} \right )=\frac{1}{\sqrt{2\pi }\sigma }exp\left ( -\frac{\left ( \varepsilon _{}^{\left ( i \right )}-0 \right )^{2}}{2\sigma ^{2}} \right )$ 式（1）

这是一个关于误差 $\varepsilon ^{\left ( i \right )}$ 的式子，但是我们并不需要求解 $\varepsilon ^{\left ( i \right )}$ ，而是需要求解权重 $\theta ^{T}$ 。因此，把 $y_{}^{\left ( i \right )}=\theta _{}^{T}x_{}^{\left ( i \right )}+\varepsilon _{}^{\left ( i \right )}$ 改成 $y_{}^{\left ( i \right )}-\theta _{}^{T}x_{}^{\left ( i \right )}=\varepsilon _{}^{\left ( i \right )}$ ，再代入式（1），得到：

$p\left (y^{\left ( i \right )}|x^{\left ( i \right )};\theta \right )=\frac{1}{\sqrt{2\pi }\sigma }exp\left ( -\frac{\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}}{2\sigma ^{2}} \right )$ 式（2）

这样就转换成了关于 $\theta ^{T}$ 的式子。接下来我们要求解的问题是， $\theta$ 是什么值，能让误差最小，即预测值 $\theta _{}^{T}x_{}^{\left ( i \right )}$ 更接近真实值 $y_{}^{\left ( i \right )}$ 。

（3）最大似然估计

让真实值出现概率最大的参数，用在接下来的预测中，能让预测值更接近于真实值。比如，在学校中抽取100个人全是男生，那就说明在这个学校中，抽取的一个同学是男生的概率很大，那么再抽取一个人，更可能是男生。

最大似然估计的基本思想是：在已知数据样本的情况下（已知真实标签 $y^{\left ( i \right )}$ 和对应的特征 $x^{\left ( i \right )}$ ），寻找能够使得这些数据出现的概率最大的参数值（寻找让真实值出现概率最大的 $\theta$ ），这个概率就用似然函数表示。换句话说，通过最大化似然函数来估计参数值（求得 $\theta$ ）。

① 写出似然函数

似然函数，即样本出现的概率关于模型参数的函数。因为需要用很多个样本（抽取很多个都是男生，再抽一个是男生的概率才大），并且每个样本都是独立同分布的，所以是将式（2）进行累乘（独立的随机变量，它们的联合概率可以表示为各自边缘概率的乘积），得到似然函数：

$L\left ( \theta \right )=\prod_{i=1}^{m}p\left (y^{\left ( i \right )}|x^{\left ( i \right )};\theta \right )=\prod_{i=1}^{m}\frac{1}{\sqrt{2\pi }\sigma }exp\left ( -\frac{\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}}{2\sigma ^{2}} \right )$ 式（3）

② 对似然函数取对数

为了方便后续求导，对似然函数取对数，改变的只是概率的最大值，而不会改变概率的最大值对应的参数值 $\theta$ 。因此，取对数对我们求 $\theta$ 没有影响。

$logL\left ( \theta \right )=log\prod_{i=1}^{m}\frac{1}{\sqrt{2\pi }\sigma }exp\left ( -\frac{\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}}{2\sigma ^{2}} \right )=\sum_{i=1}^{m}log\frac{1}{\sqrt{2\pi }\sigma }exp\left ( -\frac{\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}}{2\sigma ^{2}} \right )$ 式（4）

将式（4）化简为：

$logL\left ( \theta \right )=mlog\frac{1}{\sqrt{2\pi }\sigma}-\frac{1}{\sigma ^{2}}\frac{1}{2}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}$ 式（5）

对于 $\theta$ 来说， $mlog\frac{1}{\sqrt{2\pi }\sigma}$ 是一个常数； $\frac{1}{\sigma ^{2}}\frac{1}{2}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}$ 是一个恒正的值。因此，想求 $logL\left ( \theta \right )$ 的最大值，就是求 $\frac{1}{\sigma ^{2}}\frac{1}{2}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}$ 的最小值，然后把它常数项 $\frac{1}{\sigma ^{2}}$ 去掉，保留 $\frac{1}{2}$ （后面求导正好可以抵消），得到目标函数（最小二乘法）：

$J\left ( \theta \right )=\frac{1}{2}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-\theta ^{T}x^{\left ( i \right )}\right )^{2}$ 式（6）

$x^{\left ( i \right )}$ 要看成nx1的矩阵，包含n个特征。如下图：

把分开算 $r^{\left ( i \right )}$ 转换成，直接算出一整个r向量：

因为是算的各项平方，不用考虑正负号，所以 $y-X\theta$ 还是 $X\theta -y$ 计算的结果都是一样的。因此，把 $r^{(i)}$ 这个中间结果去掉， $J\left ( \theta \right )$ 就可以转化为：

$J\left ( \theta \right )=\frac{1}{2}\left (X\theta -y\right )^{T}\left (X\theta -y\right )$ 式（7）

其中X大小为mxn，m是样本个数，n是特征个数。

③ 求偏导并令偏导为0

求偏导：

$\frac{\partial J\left ( \theta \right )}{\partial \theta }=\frac{\partial (\frac{1}{2}\left (X\theta -y\right )^{T}\left (X\theta -y\right ))}{\partial \theta }=\frac{\partial (\frac{1}{2}\left (\theta^{T}X^{T} -y^{T}\right )\left (X\theta -y\right ))}{\partial \theta }=\frac{\partial \frac{1}{2}\left (\theta^{T}X^{T}X\theta-\theta^{T}X^{T}y- y^{T}X\theta + y^{T}y\right )}{\partial \theta }=\frac{1}{2}(2X^{T}X\theta -X^{T}y-(y^{T}X)^{T})=X^{T}X\theta-X^{T}y$

令偏导为0：

$X^{T}X\theta-X^{T}y=0$

两边乘上 $\left ( X^{T}X \right )^{-1}$ 得到：

$\theta =\left ( X^{T}X \right )^{-1}X^{T}y$

③ 存在的问题

这样求解得到的 $\theta$ ，仅仅是通过一次计算得到，并没有体现出机器学习逐步的学习过程；并且对 $X^{T}X$ 求逆不一定成功，因为不是所有的矩阵都有逆矩阵，这种方法在线性回归问题上能求得结果（特例），但在其它问题上并不适用。因此，最小二乘法并不通用，我们需要另寻方法。

四、梯度下降

交给机器一堆数据，再给一个学习的方向（目标函数达到最小值），然后机器朝着这个目标，一步步迭代优化完成，而不是直接一步求出结果，这体现了机器学习的过程（优化思想）。梯度下降就是优化算法之一。

（1）通俗地理解

如上图所示，想要快速地到达最小值处，就需要每次沿着当前所在位置的梯度方向的反方向走（梯度的方向是函数增长最快的方向），每走一步都需要更新梯度的方向。如果步长太大，可能会直接走到对面，反复在山谷之间胡乱震荡，而达到不了谷底（无法收敛或收敛效果不好）；或者悬在空中。因此，步长应该小一点，稳步向下走，最终在谷底的很小的一个局部之间徘徊，就说明趋于了稳定，达到了最小值处。但是步长也不能过于小，因为会导致到达最小值处的速度非常慢。

梯度下降法需要分别计算不同参数的梯度，再将所有梯度对应的向量相加，就得到要走的方向和步长。如下图所示：

（2）参数的更新

① 目标函数

为什么要将所有样本的误差求和：算法在更新参数时要考虑所有样本的影响，而不是仅仅依赖于部分样本。

为什么是总误差的均值：均值可以减少异常值对总误差的影响，并且尤其在大规模数据集上，计算均值的梯度比计算总和的梯度更高效。

只是为了求目标函数最小点，为什么不把平方去掉，改为绝对值，让式子更简单呢：如果改为绝对值，x的绝对值会在x=0处不可导，同理也会让目标函数在某点处不可导，这样会多一些讨论情况，求最小点不方便。

为什么不把1/2去掉：后面求偏导，会刚好把1/2抵消掉。

目标函数：

$J\left ( \theta \right )=\frac{1}{2m}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-h_{\theta}\left ( x^{\left ( i \right )} \right )\right )^{2}$

将目标函数对 $\theta_{j}$ 求偏导（跟 $\theta_{j}$ 无关的项直接当成常数，求导消掉了）：

$\frac{\partial J\left ( \theta \right )}{\partial \theta _{j}}=-\frac{1}{m}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-h_{\theta}\left ( x^{\left ( i \right )} \right )\right )x_{j}^{\left ( i \right )}$

② 按梯度下降的分类更新参数

$\frac{\partial J\left ( \theta \right )}{\partial \theta _{j}}$ 是梯度方向，更新参数的方向是梯度反方向，所以更新当前的 $\theta_{j}$ ，加的是 - $\frac{\partial J\left ( \theta \right )}{\partial \theta _{j}}$ ，正好把式子里的负号抵消掉了。以下的 $\theta _{j}^{'}$ 是更新后的参数； $x_{j}^{\left ( i \right )}$ 中的 i 和 j 表示第 i 个样本的第 j 个特征； $\alpha$ 是学习率，也就是步长。

批量梯度下降： $\theta _{j}^{'}=\theta_{j}+\alpha \frac{1}{m}\sum_{i=1}^{m}\left (y^{\left ( i \right )}-h_{\theta}\left ( x^{\left ( i \right )} \right )\right )x_{j}^{\left ( i \right )}$ 。它的优点是每次迭代比较平稳地往好的方向走，就算有浮动也比较少和细微；缺点是会计算所有样本的误差和，效率比较慢。

随机梯度下降：每次迭代随机抽取一个样本做处理，效率大大提升，但是抽取的样本可能并不好。因此，每次参数的更新，可能是往目标函数减小的方向走，也可能是往目标函数增大的方向走，下降不平稳且精准度较低。 $\theta _{j}^{'}=\theta_{j}+\alpha \left (y^{\left ( i \right )}-h_{\theta}\left ( x^{\left ( i \right )} \right )\right )x_{j}^{\left ( i \right )}$ 。下图中通过损失曲线图，表现了两种梯度下降算法的区别，损失相当于误差：

小批量梯度下降：在实战中通常使用这个算法，它综合了批量梯度下降和随机梯度下降，每次迭代随机抽取batch个样本，既不会因为样本数量太少导致收敛过于混乱而精准度过低，也不会因为样本数量太大而计算效率过低。 $\theta _{j}^{'}=\theta_{j}+\alpha \frac{1}{batch}\sum_{k=i}^{i+batch-1}\left (y^{\left ( k \right )}-h_{\theta}\left ( x^{\left ( k \right )} \right )\right )x_{j}^{\left ( k \right )}$ 。