线性回归应该算机器学习算法里面最基础的算法了,分别用作回归(y值为连续值)和分类(y值为离散)。在学习线性回归的过程中,有很多机器学习的概念和方法是在这时候提出的。
在现实中变量之间的关系,是有确定的和非确定的。确定关系指的是变量之间可以使用函数关系式表示,非确定的部分我们可以用概率分布来表示,如一个人的身高对应一定的体重,但不是身高相同体重就一定相同。确定关系里最常用的就是线性关系了。如下
把不确定的部分放进来,那么真实的值就可以表示为
这个误差值,根据中心极限定理,如果样本数据足够大那么可以认为复符合高斯分布的(也就是正态分布)。把上式带入到高斯分布中,得到下式(消去了不确定项):
接下来就是利用最大似然估计法来化简这个式子
我们需要上面的这个似然函数最大,也即需要它右边的项最小,所以目标函数为最小化下式
对于这个目标函数,有一点需要说的是,在线性回归中,使用最小二乘法也可以得到相同的结果(预测值与实际值的距离最小)。
下面就是如何求解这个得到这个目标函数最小值的问题了。最常规的是采用代数方法,求导然后得到这个函数的驻点。
得到的解θ值为
这里可以得到解得前提是是可逆的,为了防止其不可逆(是半正定,也就是其模大于等于零,在等于零的时候是不可逆的),加入λ扰动,防止其为零的情况,同时可以防止过拟合。改动后如下
还有一种方法是采用梯度下降法,这是许多机器学习求解目标函数的通用方法。对梯度下降方法之前有专门写文章讨论过,这里不再赘述。
为了防止出现过拟合的情况,会在目标函数里面加入复杂性惩罚因子,也就是正则项。对正则项我也专门写了文章讨论,这里先不赘述。
在求解线性回归的过程还涉及到一个知识点就是奇异值分解SVD。我们将中的项定义为广义逆矩阵,可以直接与式中y相乘得到解,也称为伪逆。而奇异值分解的定义为
这样就可以方便求出解了。
另外线性回归可以扩展到高阶的非线性回归,相当于增加维度,多了xi的高阶项。