0 概述
前两周,我们通过房价预测引入了单变量和多变量线性回归,而后又了解了一下非线性回归,归根结底它们都属于回归问题。而实际生活中还有一类问题需要我们来预测,那就是分类问题。
本周学习如何使用逻辑回归(logistic regression)来完成分类问题的预测。
至此监督学习的两大类问题,就齐备了。
1. 课程大纲
本周课程大纲如下图所示:
2. 课程内容
2.1 逻辑回归假设模型的引入
2.1.1 分类问题
如下图所示,即是分类问题
可以看出分类问题,多数情况是二元分类(是/不是)。
1. 当然也存在元分类{1, 2, 3, 4},后续会提到,我们同样使用二元分类可以解决。
2. 极限情况,当分类的类别足够多的时候,实际上就转化为了回归问题。
我们可以尝试用线性回归函数
h
θ
(
x
)
=
θ
0
+
θ
1
x
1
+
θ
2
x
2
+
⋯
+
θ
n
x
n
h_{\theta}(x)=\theta_{0}+\theta_{1} x_{1}+\theta_{2} x_{2}+\cdots+\theta_{n} x_{n}
hθ(x)=θ0+θ1x1+θ2x2+⋯+θnxn解决此问题,设定一个阈值
t
h
r
e
s
h
o
l
d
=
0.5
threshold = 0.5
threshold=0.5:
if
h
θ
(
x
)
≥
0.5
→
y
=
1
h_{\theta}(x) \geq 0.5 \rightarrow y=1
hθ(x)≥0.5→y=1
if
h
θ
(
x
)
<
0.5
→
y
=
0
h_{\theta}(x) < 0.5 \rightarrow y=0
hθ(x)<0.5→y=0
但是线性回归有两个问题
(1) 线性回归的值,可能远大于1或者远小于0,这样预测1和0很奇怪
(2) 一旦引入新的样本,很容易就会破坏线性回归的预测,如下图
引入新的样本之后,阈值分类点发生了变化,导致了分类错误。
基于以上两点,我们不能使用线性回归来解决分类问题,我们需要找到一个满足假设函数
h
θ
(
x
)
h_{\theta}(x)
hθ(x),满足其值永远在[0, 1]之间,因此就引入了逻辑回归。
2.1.2 逻辑回归的假设表示
引入s形函数(sigmoid),
g
(
z
)
=
1
1
+
e
−
z
g(z)=\frac{1}{1+e^{-z}}
g(z)=1+e−z1,其曲线图如下图所示:
可以看到sigmoid函数的值域在[0, 1]之间。
因此我们定义逻辑回归的假设函数位
h
θ
(
x
)
=
g
(
θ
T
x
)
=
1
1
+
e
−
θ
T
x
h_{\theta}(x)=g\left(\theta^{T} x\right)=\frac{1}{1+e^{-\theta T_{x}}}
hθ(x)=g(θTx)=1+e−θTx1,此时
h
θ
(
x
)
h_{\theta}(x)
hθ(x)的值表示预测为正类别(
y
=
1
y=1
y=1)的概率。
用条件概率表示如下:
h
θ
(
x
)
=
P
(
y
=
1
∣
x
;
θ
)
=
1
−
P
(
y
=
0
∣
x
;
θ
)
h_{\theta}(x)=P(y=1 | x ; \theta)=1-P(y=0 | x ; \theta)
hθ(x)=P(y=1∣x;θ)=1−P(y=0∣x;θ)
2.1.3 假设函数的决策边界
对于假设函数
h
θ
(
x
)
=
g
(
θ
T
x
)
=
1
1
+
e
−
θ
T
x
h_{\theta}(x)=g\left(\theta^{T} x\right)=\frac{1}{1+e^{-\theta T_{x}}}
hθ(x)=g(θTx)=1+e−θTx1,我们假定概率大于0.5为正类,概率小于0.5位反类,则可推导
y
=
1
→
h
θ
(
x
)
≥
0.5
→
θ
T
x
≥
0
y=1 \rightarrow h_{\theta}(x) \geq 0.5 \rightarrow \theta^{T} x \geq 0
y=1→hθ(x)≥0.5→θTx≥0,则
θ
T
x
≥
0
\theta^{T} x \geq 0
θTx≥0就是决策边界。
(1) 线性决策边界
θ
T
x
=
−
3
+
x
1
+
x
2
≥
0
\theta^{T} x = -3+x_{1}+x_{2} \geq 0
θTx=−3+x1+x2≥0
(2) 非线性决策边界
θ
T
x
=
−
1
+
x
1
2
+
x
2
2
≥
0
\theta^{T} x = -1+x_{1}^{2}+x_{2}^{2} \geq 0
θTx=−1+x12+x22≥0
2.2 逻辑回归的求解
2.2.1 定义损失函数
回忆线性回归的损失函数为:
J
(
θ
)
=
1
m
∑
i
=
1
m
1
2
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
J(\theta)=\frac{1}{m} \sum_{i=1}^{m} \frac{1}{2}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right)^{2}
J(θ)=m1∑i=1m21(hθ(x(i))−y(i))2
逻辑回归是否能够继续使用呢?答案是不行的
因为这个损失函数,sigmoid平方项将会造成一个非凸的函数图形。
如下图所示:
这个损失函数,无法通过梯度下降法得到全局最优解。
因此重新定义逻辑回归的损失函数如下:
cost
(
h
θ
(
x
)
,
y
)
=
{
−
log
(
h
θ
(
x
)
)
if
y
=
1
−
log
(
1
−
h
θ
(
x
)
)
if
y
=
0
\operatorname{cost}\left(h_{\theta}(x), y\right)=\left\{\begin{array}{cc}{-\log \left(h_{\theta}(x)\right)} & {\text { if } y=1} \\ {-\log \left(1-h_{\theta}(x)\right)} & {\text { if } y=0}\end{array}\right.
cost(hθ(x),y)={−log(hθ(x))−log(1−hθ(x)) if y=1 if y=0
这个函数的特点就是当预测错误时,预测误差会变大,预测正确时,预测误差会趋近0。
分析当
y
=
1
y=1
y=1绘制
−
log
(
h
θ
(
x
)
)
-\log (\operatorname{h} \theta(\mathrm{x}))
−log(hθ(x))如下图:
可以看到,
h
θ
x
h_\theta{x}
hθx 越接近1,
−
log
(
h
θ
(
x
)
)
-\log (\operatorname{h} \theta(\mathrm{x}))
−log(hθ(x))越接近0,反之越接近越无穷大。
因此满足上述特点,对于第二行分析和第一行一样。
2.2.2 简化损失函数并使用梯度下降求解
2.2.1节中,我们定义了损失函数如下:
cost
(
h
θ
(
x
)
,
y
)
=
{
−
log
(
h
θ
(
x
)
)
if
y
=
1
−
log
(
1
−
h
θ
(
x
)
)
if
y
=
0
\operatorname{cost}\left(h_{\theta}(x), y\right)=\left\{\begin{array}{cc}{-\log \left(h_{\theta}(x)\right)} & {\text { if } y=1} \\ {-\log \left(1-h_{\theta}(x)\right)} & {\text { if } y=0}\end{array}\right.
cost(hθ(x),y)={−log(hθ(x))−log(1−hθ(x)) if y=1 if y=0
但是,它明显是一个分段函数,我们在计算误差的时候如果每次都要对
y
y
y进行判断,显然无法使用梯度下降法求解。
因此需要将其统一处理,得到简化的损失函数为:
cost
(
h
θ
(
x
)
,
y
)
=
−
y
log
(
h
θ
(
x
)
)
−
(
1
−
y
)
log
(
1
−
h
θ
(
x
)
)
\operatorname{cost}\left(h_{\theta}(x), y\right)=-y \log \left(h_{\theta}(x)\right)-(1-y) \log \left(1-h_{\theta}(x)\right)
cost(hθ(x),y)=−ylog(hθ(x))−(1−y)log(1−hθ(x))
对所有样本的损失函数即为:
J
(
θ
)
=
1
m
∑
i
=
1
m
cost
(
h
θ
(
x
(
i
)
)
,
y
(
i
)
)
=
−
1
m
[
∑
i
=
1
m
y
(
i
)
log
h
θ
(
x
(
i
)
)
+
(
1
−
y
(
i
)
)
log
(
1
−
h
θ
(
x
(
i
)
)
)
]
\begin{aligned} J(\theta) &=\frac{1}{m} \sum_{i=1}^{m} \operatorname{cost}\left(h_{\theta}\left(x^{(i)}\right), y^{(i)}\right) \\ &=-\frac{1}{m}\left[\sum_{i=1}^{m} y^{(i)} \log h_{\theta}\left(x^{(i)}\right)+\left(1-y^{(i)}\right) \log \left(1-h_{\theta}\left(x^{(i)}\right)\right)\right] \end{aligned}
J(θ)=m1i=1∑mcost(hθ(x(i)),y(i))=−m1[i=1∑my(i)loghθ(x(i))+(1−y(i))log(1−hθ(x(i)))]
使用梯度下降法不断迭代
θ
\theta
θ可得:
θ
j
:
=
θ
j
−
α
∂
∂
θ
j
J
(
θ
)
=
θ
j
−
α
∑
i
=
1
m
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
\theta_{j} :=\theta_{j}-\alpha \frac{\partial}{\partial \theta_{j}} J(\theta)=\theta_{j}-\alpha \sum_{i=1}^{m}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right) x_{j}^{(i)}
θj:=θj−α∂θj∂J(θ)=θj−α∑i=1m(hθ(x(i))−y(i))xj(i)
可以发现逻辑回归梯度下降迭代的表达式和线性回归的一模一样,但是由于
h
θ
(
x
)
h_{\theta}(x)
hθ(x)的不同,其计算是完全不同的。
向量化表示:
损失函数的向量化定义如下,
h
=
g
(
X
Θ
)
h=g(X \Theta)
h=g(XΘ)
costFunction
=
F
(
Θ
)
=
1
m
(
−
y
⃗
T
log
(
h
)
−
(
1
−
y
⃗
)
T
log
(
1
−
h
)
)
=\mathrm{F}(\Theta)=\frac{1}{m}\left(-\vec{y}^{T} \log (h)-(1-\vec{y})^{T} \log (1-h)\right)
=F(Θ)=m1(−yTlog(h)−(1−y)Tlog(1−h))
梯度下降计算
Θ
\Theta
Θ向量形式如下,
Θ : = Θ − α 1 m X T ( g ( X Θ ) − y ⃗ ) \Theta :=\Theta-\alpha \frac{1}{m} X^{T}(g(X \Theta)-\vec{y}) Θ:=Θ−αm1XT(g(XΘ)−y)
2.2.3 高级优化算法
除了梯度下降法,还有很多其他的优化算法:
共轭梯度法,BFGS,L_BFGS
2.2.3.1 高级优化算法的优缺点
优点:不需要手动选择学习率,可以理解为它们有一个智能的内循环(线搜索算法),它会自动尝试不同的学习速率
α
\alpha
α,并自动选择一个最好的学习速率
α
\alpha
α ;一般情况下比梯度下降更快收敛。
缺点:更加复杂
2.2.3.2 使用高级优化算法(fminunc)
吴恩达建议我们直接使用前人已经建立好的函数库,没必要造轮子。
fminunc函数的使用,这里就不详述了。具体可参见如下资料:
https://zlearning.netlify.com/communication/matlab/fminunc.html
2.3 多分类问题
一开始我们就提到了多分类问题,
y
y
y{属于1, 2, 3, 4}。当我们学习了二元分类,多酚类问题怎么处理呢?
一个最简单的想法,就是将多分类问题,转化为二元分类问题,这就是one-vs-all方法。
2.3.1 One-vs-all
将要预测的类别处理为一类,其他剩余类别当做第二类。
如下图所示有三个类别:
预测Class 1,我们吧蓝色正方形和红色X作为一类看待
因此根据One-vs-all方法,多分类问题,有多少个类就需要多少个
h
θ
(
x
)
h_\theta(x)
hθ(x)。
2.4 正则化引入
2.4.1 欠拟合(under fitting)和过拟合(over fitting)
欠拟合:训练数据中有显著的预测误差,如下图
过拟合:训练数据预测误差很小,但是测试数据预测误差很大,如下图
过度追求训练误差,导致泛华能力下降,预测新增数据,带来很大误差。
真正恰当的拟合曲线如下图,
注意:奥卡姆剃刀原则,在达到一定要求的基础上,模型简洁至上。
If we have too many features, the learned hypothesis may fit the training set very well (J(θ)=0), but fail to generalize to new examples(Predictions on new examples)
2.4.2 怎么解决过拟合问题
(1) 降低features的数量:手动选择要保留的特征,哪些变量更为重要,哪些变量应该保留,哪些应该舍弃;使用模型选择算法(稍后在课程中学习),算法会自动选择哪些特征变量保留,哪些舍弃。
(2) 使用正则化:保留所有的特征,但减少参数
θ
j
\theta_{j}
θj 的大小或者减少量级;当有很多个特征的时候,并且每个特征都会对最终预测值产生影响,正则化可以保证运作良好。
2.4.3 正则化的costFunction
正则化的目的是为了简化假设模型,根据奥卡姆剃刀原则,越简单的模型越不容易出现过拟合。
修改costFunction如下:
CostFunction
=
F
(
θ
)
=
1
2
m
[
∑
i
=
1
m
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
+
λ
∑
i
=
1
m
θ
j
2
]
=\mathrm{F}(\theta)=\frac{1}{2 m}\left[\sum_{i=1}^{m}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right)^{2}+\lambda \sum_{i=1}^{m} \theta_{j}^{2}\right]
=F(θ)=2m1[∑i=1m(hθ(x(i))−y(i))2+λ∑i=1mθj2]
λ
∑
i
=
1
m
θ
j
2
\lambda \sum_{i=1}^{m} \theta_{j}^{2}
λ∑i=1mθj2是正则化项,它缩小每个参数的值。
λ
\lambda
λ 是正则化参数,
λ
\lambda
λ 控制两个不同目标之间的取舍,即更好的去拟合训练集的目标和将参数控制的更小的目标,从而保持假设模型的相对简单,避免出现过拟合的情况。
(1) 选择的
λ
\lambda
λ 太大:可能会过多地消除特征,导致
θ
\theta
θ 都约等于 0 了,最终预测函数变成了水平直线了。这就变成了欠拟合的例子了(偏见性太强,偏差过高)。
(2) 选择的
λ
\lambda
λ 太小:失去了正则项的意义。
2.4.4 线性回归的正则化
2.4.4.1 梯度下降方法
假设函数:
h
θ
(
x
)
=
θ
T
x
=
θ
0
x
0
+
θ
1
x
1
+
θ
2
x
2
+
⋯
+
θ
n
x
n
h_{\theta}(x)=\theta^{T} x=\theta_{0} x_{0}+\theta_{1} x_{1}+\theta_{2} x_{2}+\cdots+\theta_{n} x_{n}
hθ(x)=θTx=θ0x0+θ1x1+θ2x2+⋯+θnxn
损失函数:
J
(
θ
)
=
1
2
m
[
∑
i
=
1
m
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
+
λ
∑
j
=
1
n
θ
j
2
]
J(\theta)=\frac{1}{2 m}\left[\sum_{i=1}^{m}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right)^{2}+\lambda \sum_{j=1}^{n} \theta_{j}^{2}\right]
J(θ)=2m1[∑i=1m(hθ(x(i))−y(i))2+λ∑j=1nθj2]
迭代函数:
θ
j
:
=
θ
j
(
1
−
α
λ
m
)
−
α
1
m
∑
i
=
1
m
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
\theta_{j} :=\theta_{j}\left(1-\alpha \frac{\lambda}{m}\right)-\alpha \frac{1}{m} \sum_{i=1}^{m}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right) x_{j}^{(i)}
θj:=θj(1−αmλ)−αm1∑i=1m(hθ(x(i))−y(i))xj(i)
这里 ( 1 − α λ m ) \left(1-\alpha \frac{\lambda}{m}\right) (1−αmλ)会恒小于1,比如0.99。于是梯度下降的过程就是每次更新都把参数乘以 0.999,缩小一点点,然后再向最小点的方向移动一下。
2.4.4.2 正规方程法
正规方程结论为:
Θ
=
(
X
T
X
)
−
1
X
T
Y
\Theta=\left(X^{T} X\right)^{-1} X^{T} Y
Θ=(XTX)−1XTY,其中前提条件是
X
T
X
X^{T}X
XTX 是非奇异(非退化)矩阵, 即
∣
X
T
X
∣
!
=
0
\left|X^{T} X\right| != 0
∣∣XTX∣∣!=0
正则化后,上式变为:
在第二周课程中,提到了正规方程中,可以通过正则化解决不可逆问题。
因此对于正规方程,正则化相当于一石二鸟。
2.4.5 逻辑回归的正则化
假设函数:
h
θ
(
x
)
=
1
1
+
e
−
θ
T
x
h_{\theta}(x)=\frac{1}{1+e^{-\theta T_{x}}}
hθ(x)=1+e−θTx1
代价函数:
CostFunction
=
F
(
θ
)
=
−
1
m
[
∑
i
=
1
m
y
(
i
)
logh
θ
(
x
(
i
)
)
+
(
1
−
y
(
i
)
)
log
(
1
−
h
θ
(
x
(
i
)
)
)
]
=\mathrm{F}(\theta)=-\frac{1}{m}\left[\sum_{i=1}^{m} y^{(i)} \operatorname{logh}_{\theta}\left(x^{(i)}\right)+\left(1-y^{(i)}\right) \log \left(1-h_{\theta}\left(x^{(i)}\right)\right)\right]
=F(θ)=−m1[∑i=1my(i)loghθ(x(i))+(1−y(i))log(1−hθ(x(i)))]
正则化后的损失函数:
costFunction
=
F
(
θ
)
=
−
1
m
[
∑
i
=
1
m
y
(
i
)
log
h
θ
(
x
(
i
)
)
+
(
1
−
y
(
i
)
)
log
(
1
−
h
θ
(
x
(
i
)
)
)
]
+
λ
2
m
∑
j
=
1
n
θ
j
2
=\mathrm{F}(\theta)=-\frac{1}{m}\left[\sum_{i=1}^{m} y^{(i)} \log h_{\theta}\left(x^{(i)}\right)+\left(1-y^{(i)}\right) \log \left(1-h_{\theta}\left(x^{(i)}\right)\right)\right]+\frac{\lambda}{2 m} \sum_{j=1}^{n} \theta_{j}^{2}
=F(θ)=−m1[∑i=1my(i)loghθ(x(i))+(1−y(i))log(1−hθ(x(i)))]+2mλ∑j=1nθj2
迭代运算:
θ
j
:
=
θ
j
(
1
−
α
λ
m
)
−
α
1
m
∑
i
=
1
m
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
j
∈
{
1
,
2
,
3
,
4
,
⋯
n
}
\theta_{j} :=\theta_{j}\left(1-\alpha \frac{\lambda}{m}\right)-\alpha \frac{1}{m} \sum_{i=1}^{m}\left(h_{\theta}\left(x^{(i)}\right)-y^{(i)}\right) x_{j}^{(i)} \quad j \in\{1,2,3,4, \cdots n\}
θj:=θj(1−αmλ)−αm1∑i=1m(hθ(x(i))−y(i))xj(i)j∈{1,2,3,4,⋯n}
注意:
(1) 虽然正则化在逻辑回归中的梯度下降和线性回归中表达式一致,但是由于
h
θ
(
x
)
h_{\theta}(x)
hθ(x)不同,会有很大区别
(2)
θ
0
\theta_0
θ0不参与正则化
3. 课后编程作业
我将课后编程作业的参考答案上传到了github上,包括了octave版本和python版本,大家可参考使用。
https://github.com/GH-SUSAN/Machine-Learning-MarkDown/tree/master/week3
4. 总结
本周课程我们学习使用逻辑回归模型对监督学习中另一类问题即“分类问题”进行求解。
并对模型的欠拟合和过拟合进行了讨论,并使用正则化对过拟合问题进行了矫正。
逻辑回归作为重要的统计学习方法,对未来神经网络有着深远的影响,务必重点掌握。