「小杜」不有趣的机器学习实践鹿-1

「小杜」不有趣的机器学习实践鹿-1

初衷

作为一个不好好学习的瓜皮，怎么可能舍得动脑动手推公式，所以我才觉得我对机器学习的很多概念都是表面功夫，银样蜡枪头，在做毕业设计的时候发现：基础不牢，做啥花里胡哨都是闲的

那就花亿点时间开始实践手推公式吧。从头学起，头疼~

吃苦是不可能不吃苦的，但是可以把笔记做的有趣一点。

——鲁迅

---

Tags: 机器学习

🏸什么是机器学习

人类宝宝在第一次看到一台自行车的时候，不用父母告诉什么样是自行车，他自己就能记下它的特征；这个小宝宝第二次看到自行车的时候，他们能从经验中学习，最终意识到：“咦！是自行车！要啥自行车儿？”

那么一台计算机，可以让它也拥有从经验中“学习”的能力吗。没错，这个就是机器学习的概念。

目前我们的发展还没有达到《黑客帝国》里“天网”那样的等级，基本还算是“弱人工智能”，某些情况比人类幼崽还弱（比如说少样本学习），但某些情况下它也能解决很多单凭人类难以解决的问题。就像斯坦福机器学习课程描绘的：

• 把电子医疗记录变成医学知识，更好的理解疾病
• 计算生物学，分析大量基因数据序列，DNA序列，更好的了解人类基因组
• 在机械应用中的无人驾驶等等

这也是我觉得它确实很有趣（如果不用手推公式的话）也在未来很有作为的一个方面。

最后简单归纳一下：

• 人工智能（Artificial Intelligence）——“星辰大海”，是要达到的目标
• 机器学习（Machine Learning）——“航空火箭”，是一个可靠的工具（但不局限于实现人工智能）
• 深度学习（Deep Learning）——“长征5号”，是目前工具中较强大的一个类型（专注于模仿大脑的结构和学习的过程）

也有这样的分类：

🎠怎样看懂机器学习术语

我们可以先记住一个高中学过的函数：y=f(x)，把这个函数作为类比

术语	解释
标签	就是$y$，$y$可以是任何事物
特征	就是$x$，特征可以有多个，$x_1$，$x_2$，$x_3$···
样本	就是用于训练的一组$(x,y)$，也可以是$(x,?)$，即无监督学习
模型	就是x和y的关系：$f（x）$
回归模型	预测y的连续值，输入$x$，$y$会是0到1之间的一个值
分类模型	预测y的分类，输入$x$，$y$会是0和1中的一个类，如0是得病，1是不得病

机器学习就像是我们给人类幼崽看自行车的图片一样

需要给机器一些样本来训练，然后让机器学习到样本的特征，最后进行预测

好了，接下来是FBI警告，难度飙升~

🏑单变量线性回归 & 训练和损失

线性回归（Linear Regression）

对于一个宝宝而言，脑海里常常有一些问题：

• 怎么去分辨一堆玩具中好玩的玩具和不好玩的玩具？（分类）
• 已知爸爸妈妈每天的出门次数，怎样知道他们明天的出门次数（回归）

在现实生活中，这两类问题更加复杂头秃：

• 怎么从病历信息中分辨一个人的乳腺肿瘤是良性还是恶性的？（分类）
• 已经知道当前气象事件的历史数据，怎样预测未来的天气情况？（回归）

对于宝宝的简单问题来说，出门次数与天数很可能是一个线性关系。

$$y=ax+b$$
其中：

• $y$ 指的是父母每天出门的次数，即预测标签（理想输出值）
• $x$ 指的是天数，即输入的特征的值（图中记录了0-35天）
• $a$ 指的是直线斜率，即权重
• $b$ 指的是直线的截距，即偏差

训练与损失（Train & Lost）

训练

训练就是通过已知的标签样本$（x,y）$，来确定所有权重（也就是$a$）和偏差（也就是$b$）的理想值。

训练的目的就是通过训练样本来获得一个模型，这个模型可以最大限度减少犯错，这个过程叫做==经验风险最小化==。（对于宝宝来说思路就是犯错越少，自然就会越来越正确）

损失

损失是对糟糕预测的惩罚（也就是犯错）。也就是说：

• 模型预测的越好，损失越低；
• 预测的越糟糕，损失越大；
• 完全预测正确损失则为0；

平方损失

我们有没有数学方法（损失函数Cost Function）来衡量损失呢，拿出高中知识可以知道，可以用预测值$y‘$减去实际值$y$的平方来计算损失
$$L_2=(y‘-y{)}^2$$
也可写成下面这样
$$L_2=(prediction(x)-y{)}^2$$
这种损失叫做平方损失（也叫L₂损失），衡量了单个$x$预测值的损失

均方误差（MSE）

均方误差指的是每个样本的平均平方损失，就是计算出每个$x$的平方损失，再除以样本数量$N$
$$MSE=\frac{1}{N}\sum (prediction(x)-y{)}^2$$

🚕 怎样降低损失

关于宝宝的问题，我们只有一个特征（天数）作为输入，这种回归叫做单变量线性回归（Linear Regression with One Variable）

实际情况中，输入的特征不止一个，会遇到更高维度，更多参数的情况，例如气象事件的历史数据，包括$x_1平均气温$、$x_2湿度$、$x_3降水量$等等；

梯度下降（Gradient Descent）

我们的目的是让损失降到最低，可以得知，损失最低的情况是模型完美的拟合了实际情况的所有点，此时损失为0。

对于宝宝的问题，我们的模型是
$$y=ax+b$$
换一种写法
$$y={\theta }_{1}x+{\theta }_2$$
损失函数也换一种写法（因为损失函数不止MSE一种）
$$J({\theta }_1,{\theta }_2)$$
用${\theta }_1,{\theta }_2,J({\theta }_1,{\theta }_2)$三个变量做一个等高线图：

可以看出存在一个全局最优解（global minimum）（有的模型中也存在局部最优解（local minimum））

梯度

那么什么是梯度呢，定义是“函数的梯度是偏导数相对于所有自变量的矢量”

例如：

给定一个多变量函数：
$$f(x,y)=3x+4y$$
取$f$相对于$x$的常规导数，把$y$当做常数
$$f(x)‘=3$$
同理，求$y$的偏导数
$$f(y)‘=4$$
那么这个多变量函数的梯度就是$\nabla f(3,4)=（3,4）$

梯度是一个矢量，具有方向、大小，指向函数下降（或者增长）速度最快的方向。

给定一个更加复杂的多变量函数：
$$f(x,y)=4+（x-2{）}^2+2y^2$$
那么这个函数的梯度就是
$$\nabla f(x,y)=(2x-4,4y)$$
随着$x,y$的不断变化，梯度也在不断变化。梯度不断下降的过程，就是我们不断逼近最优解的过程。

梯度下降与损失函数相结合

那么我们如何将梯度下降与损失函数，还有训练联系到一起呢，下式就是一个很好地例子
R e p e a t { θ 0 = θ 0 − α ∂ ∂ θ 0 j ( θ 0 , θ 1 ) θ 1 = θ 1 − α ∂ ∂ θ 1 j ( θ 0 , θ 1 ) } } \begin{aligned} Repeat\{ \\ \theta_0 &=\theta_0 - \alpha \frac{\partial}{\partial \theta_0} j(\theta_0, \theta_1) \\ \theta_1 &=\theta_1 - \alpha \frac{\partial}{\partial \theta_1} j(\theta_0, \theta_1) \} \\ \} \end{aligned} Repeat{θ0​θ1​}​=θ0​−α∂θ0​∂​j(θ0​,θ1​)=θ1​−α∂θ1​∂​j(θ0​,θ1​)}​

其中：

• ==$repeat$==的意思就是重复训练很多轮次

• ==$\alpha$==代表学习率，表示训练的步长

  • 学习率$\alpha$过小，达到收敛所需的迭代次数会非常高，就会花费很长的时间

  • 学习率$\alpha$过大，就会导致训练的下一轮（Batch）在最优点随意弹跳，有可能越过局部最小值无法收敛

    

  • 我们的目的是找到一个足够找到一个足够高的学习速率，该速率要能够使梯度下降过程高效收敛，但又不会高到使该过程永远无法收敛。

• ==$\frac{\partial }{\partial {\theta }_0}j({\theta }_0,{\theta }_1)$==表示${\theta }_0$的偏导数，表示梯度，即为损失函数中增长最为迅猛的方向

• ==$j({\theta }_0,{\theta }_1)$==即为损失函数

📒 线性代数回顾

矩阵乘法

回忆起曾经学过的矩阵乘法，$m\times n$的矩阵与$n\times o$的矩阵相乘，会变成$m\times o$的矩阵，如式1所示
$$\left[\begin{array}{cc}1& 2\\ 3& 4\\ 5& 6\end{array}\right]\ast \left[\begin{array}{c}1\\ 2\end{array}\right]=\left[\begin{array}{c}1\ast 1+2\ast 2\\ 1\ast 3+2\ast 4\\ 1\ast 5+2\ast 6\end{array}\right]=\left[\begin{array}{c}5\\ 11\\ 17\end{array}\right]$$

• 矩阵乘法不满足交换律$A\times B\ne B\times A$
• 矩阵乘法满足结合律$(A\times B)\times C=A\times (B\times C)$
• 单位矩阵$I$（有时也写作$E$）相当于1，有$A\times I=A$

逆、转置

矩阵的逆就是说，当$A\times B=E$时，$B$矩阵就是$A$矩阵的逆矩阵，记作：
$$A^{-1}=B$$

矩阵的转置就是说：
$${\left|\begin{array}{ll}a& b\\ c& d\\ e& f\end{array}\right|}^T=\left|\begin{array}{lll}a& c& e\\ b& d& f\end{array}\right|$$

矩阵的转置的基本性质如下：
$$\begin{array}{l}(A\pm B{)}^T=A^T\pm B^T\\ (A\times B{)}^T=B^T\times A^T\\ {\left(A^T\right)}^T=A\\ (KA{)}^T=K{A}^T\end{array}$$

与梯度下降异曲同工的正规方程（Normal Equation）

既然梯度下降的最终目的是通过不断迭代，将$\frac{\partial }{\partial {\theta }_0}j({\theta }_0,{\theta }_1)$降到最低，得到一个最终的$\theta$值，那么是不是可以直接计算等式
$$\frac{\partial }{\partial {\theta }_0}j({\theta }_0,{\theta }_1)=0$$
求解出最终的$\theta$呢，这种方法就叫做正规方程，正规方程的解为
$$\theta ={\left(X^{T}X\right)}^{-1}{X}^{T}y$$
正规方程也是有局限性的，下表是关于梯度下降与正规方程的比较：

梯度下降	正规方程
需要学习率$\alpha$	不需要
需要多次迭代	一次运算得出
当特征数量较大时也能较好使用	特征数量大的话运算代价很大
适用于各种类型的模型	只适用于线性模型，不适合于逻辑回归等其他模型

📃参考资料

---

1. Machine-Learning-Book
2. Coursera-ML-AndrewNg-Notes