线性回归简介和提示

引言

机器学习中的监督学习（Supervised Learning）依据目标（Target）变量的类型分为回归问题（Regression，目标变量为浮点数）和分类问题（Classification，目标变量为离散值）。

在遇到回归问题时，自然而然的就要想到简单的线性回归（Linear Regression）可不可以解决当前的问题。在选取了一些特征变量（Features）之后，我们可以通过组装更高幂次的项来模拟非线性的回归特性。

由于特定函数可以通过泰勒展开转化为多项式的形式（保留一定的精度），所以原则上可以通过此种方法模拟这类函数的非线性。

什么是泰勒展开？

泰勒（Taylor）中值定理 如果函数$f(x)$在含有$x_0$的某个开区间$(a,b)$内具有直到$(n+1)$阶的导数，则对任一$x\in(a,b)$，有

$$f(x) = f(x_0)+f'(x_0)(x-x_0)+\dfrac{f''(x_0)}{2!}(x-x_0)^2+\cdots+\dfrac{f^{(n)}(x_0)}{n!}(x-x_0)^n+R_n(x)$$
其中
$$R_n(x)=\dfrac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$$
这里 $\xi$是 $x_0$与 $x$之间的某个数。$R_n(x)$称为拉格朗日（Lagrange）余项。

线性回归

线性回归是假设特征向量与目标变量有以下的假设关系（Hypothesis）

$$h_\theta(x)=\sum_{i=0}^n\theta_ix_i=\theta^Tx$$
$\theta_i$称为参数（Parameter）或权重（Weight），其中 $x_0$恒等于1，称为截距项（Intercept Term）。
依此，有
$$J(\theta)=\dfrac12\sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2$$
此为成本函数（Cost Function）。

线性回归解法

如何选取合适的$\theta$使得成本函数尽可能的小？
主要有梯度下降法（Gradient Descent）和正规方程法（Normal Equation）。

梯度下降法

LMS（Least Mean Squares）更新法则或Widrow-Hoff学习法则

$$\theta_j:=\theta_j+\alpha(y^{(i)}-h_\theta(x^{(i)}))x_j^{(i)}$$
其中 $\alpha$为学习率（Learning Rate）， $(y^{(i)}-h_\theta(x^{(i)}))$为误差项（Error Term）。

而基于应用LMS更新法则的方式不同，有两种使用方法：批处理梯度下降法（Batch Gradient Descent）和随机梯度下降法（Stochastic Gradient Descent，又名增量梯度下降法，Incremental Gradient Descent）。

批处理梯度下降法

重复以下更新法则直至收敛，

$$\theta_j:=\theta_j-\alpha\dfrac{\partial}{\partial\theta_j}J(\theta)=\theta_j+\alpha\sum_{i=1}^m(y^{(i)}-h_\theta(x^{(i)}))x_j^{(i)}\quad\mbox{(for every j)}$$

随机梯度下降法

循环 {
 for i=1 to m {

$$\theta_j:=\theta_j+\alpha(y^{(i)}-h_\theta(x^{(i)}))x_j^{(i)}\quad\mbox{(for every j)}$$
 }
}

一般来说，随机梯度法比批处理梯度法要更快收敛，这得益于随机梯度法每遇到一个训练用例时就进行相应的更新，而批处理梯度法需要费时费力的遍历所有训练用例后方可更新。尤其当训练用例数目急剧增长后，她们的差距便会变得更加明显。

正规方程法

把训练用例一行一行摆放进$X$：

$$X=\left[\begin{array}{ccc}-&(x^{(1)})^T&-\\-&(x^{(2)})^T&-\\&\vdots&\\-&(x^{(m)})^T&-\end{array}\right]$$
把对应的目标值放入$m$维向量中：
$$y=\left[\begin{array}{c}y^{(1)}\\y^{(2)}\\\vdots\\y^{(m)}\end{array}\right]$$

则，

$$J(\theta)=\dfrac12\sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2=\dfrac12(X\theta-\vec{y})^T(X\theta-\vec{y})$$
求导可得：
$$\nabla_{\theta}J(\theta)=X^TX\theta-X^T\vec{y}$$
令其为零，可得正规方程式：
$$X^TX\theta=X^T\vec{y}$$
解之可得：
$$\theta=(X^TX)^{-1}X^T\vec{y}$$
这里 $X\in\mathbb{R}^{m\times(n+1)}$， $m$个训练用例，$n$个特征。 $\vec{y}\in\mathbb{R}^m$。

毋庸置疑，这里$X^TX$是$\mathbb{R}^{(n+1)\times{m}}\times\mathbb{R}^{m\times(n+1)}$，计算复杂度与训练用例数目，$m$，相关。

$X^TX\in\mathbb{R}^{(n+1)\times(n+1)}$，$(X^TX)^{-1}$的计算复杂度只与特征数目，$n$，相关。

以上是不可避免的计算量，由于矩阵取逆的运算比较费时，当$n\gg m$时，不宜使用此方法，而当$n\ll m$时，可以使用此方法，并且比梯度下降更快。小编有个训练集大小$390625\times 10$，用梯度下降法$1700s$，而正规方程式法仅仅$0.015002s$（使用$\theta=(X^TX)^{-1}(X^T\vec{y})$，用原公式$0.075008s$）。

工程实践经验

1. 有时由于训练集合中使用的特征数目较少，导致Underfitting，这时小编会通过添加二次，三次甚至多次项的方法把特征数目人为增多;

2. 但是这样的数据可能导致$X$矩阵的秩比较小，$X$成为或接近奇异的可能性较大，不能使用正规矩阵法直接求解，只能使用梯度下降法求解；

3. 但如果原来的特征值不是都在1附近的话，新添加的特征值很可能变得很大或很小，这时直接用于训练的话，有些维度的导数过大或过小，导致结果不收敛，最后得到的$\theta$向量也就没有了意义（最后的成本函数值可能很大）；

4. 这时可以使用正则化的方法把特征值变换至$0$附近，其实这就是把$x\sim\mathcal{N}(\mu, \sigma)$变换成$\hat{x}=\frac{x-\mu}{\sigma}\sim\mathcal{N}(0, 1)$的方法（提示：不要对$X$的常数列$(1, 1, ... 1)^T$做正则化操作，否则你会得到一列$\vec{0}$，最后的成本函数也不正确，可能看到的是一堆NaN）；

5. 使用梯度下降法时，由于这个是迭代的方法，初始值可以影响求解的时间，简单的把初始向量设为$\vec{0}$不见得好，如果可能的话，可以把初始向量设为在最终$\theta$的附近，当然这个很难，不过我们可以选择随机的给出$\theta$值（提示，一般伪随机数$r\sim Uniform(0,1)$，我们可以通过$\hat{r}=(b-a)r+a\sim Uniform(a,b)$得到我们想要的数值范围内的随机数）；

   初始值对一个非凹函数的求解关系很大（当然我们的线性回归是个凹函数），初始值可以使用其他简单模型求解得出，如一些二次型的函数既是凹函数又有矩阵解法，一般可以很快求得结果。把得出的初始值代入非凹函数，一般得到的结果质量会很好（不宜陷入局部解），运行时间也会有改进（迭代次数会减少）。