Statistic Learning 1

1. RSS, RSE, TSS等

RSS（Residual Sum of Squares）

$$\begin{gathered} RSS=e_1^2+e_2^2+e_3^2+...+e_n^2 \\ =(\widehat{y_1}-\widehat{{\beta }_0}-\widehat{{\beta }_1}{x}_1)+...+(\widehat{y_n}-\widehat{{\beta }_0}-\widehat{{\beta }_1}{x}_n) \\ =\sum _{i=1}^n(y_i-\widehat{y_i}{)}^2 \end{gathered}$$

RSS定义了，在进行了回归之后，模型未能解释的变量。

RSE（Residual Standard Error）

$$\begin{gathered} RSE=\sqrt{\frac{RSS}{n-2}} \\ =\sqrt{\frac{1}{n-2}\sum _{i=1}^n(y_i-\widehat{y_i}{)}^2} \end{gathered}$$

RSE说明了，即使再好的回归模型也存在着RSE置信区间之内的误差，即模型对于数据的欠拟合程度。

TSS（Total Sum of Squares）

$$TSS=\sum _{i=1}^n(y_i-\overline{y})$$

其中$\overline{y}=\frac{1}{n}{y}_i$。TSS定义了$y$自身的方差，即衡量了$Y$中$y$固有的变化程度。

$R^2$

$$R^2=\frac{TSS-RSS}{TSS}=1-\frac{RSS}{TSS}$$

• $TSS$：衡量了$Y$中$y$固有的变化程度。
• $RSS$：进行回归之后，模型未能解释的变量值
• $TSS-RSS$：固有的变化程度 - 未能解释的变量值 = 能解释的变量值
• $\frac{TSS-RSS}{TSS}$：已经解释的变量值占所有固有变化的比例

$R^2$的变化区间为$(0,1)$，与$y$的尺度无关。所以，理论上$R^2$越大应该越好，即大量的变量可以被回归所解释。但实际场景中，$R^2$的值要看应用。

$F-statistic$用于估计$H_0$

$$F=\frac{(TSS-RSS)/p}{RSS/(n-p-1)}$$

其中，$n$为样本个数，$p$为多项式回归中的回归系数的个数

• $TSS$：$y$固有的方差，及固有的变量
• $RSS$：回归后，未能解释的变量
• $TSS-RSS$：回归后，能够解释的变量
• $\frac{TSS-RSS}{p}$：回归后，每个$predictor$所占的解释比例 （1）
• $\frac{RSS}{n-p+1}$：回归后，每个样本未能被解释的比例 （2）
• $\sigma =RSE=\sqrt{\frac{RSS}{n-2}}$：每个样本的未能被解释的占比 （3）

若对于上述的 （1），（2），（3） 式

• （1）=（3），意味着每个$predictor$能解释的占比很低

• （2）=（3），意味着每个样本能比解释的占比很低

• 可以推出$F-statistic=1$，即

  $${\beta }_1={\beta }_2=...={\beta }_n=0$$

  说明各个$predictor$对预测$y$都是没有帮助的。

若对于上述的 （1），（2），（3） 式

• （1）>（3），意味着每个$predictor$能解释的占比很高

• （2）=（3），意味着每个样本能比解释的占比很低

• 可以推出可以推出$F-statistic>1$，可以推出

  至 少 有 一 β i , i ∈ { 1 , 2 , . . . , p } 不 为 0 至少有一\beta_i,i\in\{1,2,...,p\}不为0 至少有一βi​,i∈{1,2,...,p}不为0

$F-statistic$，用于检验部分predictors是否为0

$$F-statistic=\frac{(RS{S}_0-RSS)/q}{RSS/(n-p-1)}$$

• $RS{S}_0$：省略了$q$个$predictors$的模型的$RSS$
• $RS{S}_0-RSS$：即这$q$个$predictor$能够解释的变量
• $\frac{(RS{S}_0-RSS)}{q}$：平均每个$q$能解释的变量的比例
• $\frac{RSS}{n-p-1}$：平均每个样本未能被解释的比例

如果使用个体的$t-statistic$和相关的$p-value$来衡量变量和响应之间的关系，很可能会得到错误的结论。

2. Variable selection

在一个多元回归式中，究竟哪些变量是和$y$有关系的？将没有关系的找出来

• 若是$p=2$，即有两个$predictor$，那么需要设计4个模型

  • No variable
  • 只包含$X_1$
  • 只包含$X_2$
  • 包含了$X_1,X_2$

  然后对每个模型，可用如下指标进行检验：$R^2,BIC,AIC,C_p$。但是当$p$特别打的时候，如$p=20$，那么就需要$2^{20}$个子集，这样做效率过低。故需要其他的手段

• Forward Selection

  先假设一个参数为空的模型，只有截距${\beta }_0$。此外，有训练好了的$p$个$variable$。一个个往模型中加$variable$，并保证最低的$RSS$。满足某个条件的时候停止

• Backward Selection

  先假设所有的$variable$都要。然后，选择$p-value$最大的删除。不断地重复，直到满足某条件；如设定好$p-value$的阈值。

• Mixed Selection

  先假设一个参数为空的模型。然后，不断地加$Variable$进去，且保证加进去的使$p-value$最小，一旦超过了某个阈值，该$variable$就先放在一旁。最后，$p-value$分成两份，一份使得整个模型的$p-value$都较小，另一份使得$p-value$都较大。

3. Model Fit

两个衡量指标：$R^2,RSE$

• 对于$RSE$来说，具有较多变量的模型都有更大的$RSE$，只要$RSS$增长的幅度比$p$小，如下公式：

  $$RSE=\sqrt{\frac{1}{n-p-1}RSS}$$

4. Prediction

• 两个error

  • Random Error $ϵ$不可控错误。即其他不明的错误未考虑进来，完美的变量是不可能被找到的，只能被估计。
  • Model Bias是可控变量。可以通过不断地做实验，或训练模型来减少它。

• 两个interval

  • Confidence interval。针对大部分城市的销售量区间，$95\%$的区间内包含了真实的值。
  • Prediction interval。针对某个特定城市的销售量区间，$95\%$的区间包含了真实的值。
  • 两个interval拥有相同的中心，但是prediction interval的范围比confidence interval的更加广。

5. 两个强假设

Predictors and Responses are additive and linear

1. Additive

   Predictor $x_i$的改变，那么$y$也相应的改变${\beta }_i$的大小，和其他的predictors无关。即$x_i$造成的影响和其他的predictors相互独立。

2. Linear

   Predictor$x_i$每次的改变$1-unit$对于$y$来说效果是一致的，无任何叠加的变化。

移除Additive假设，扩展线性回归

• 当为线性回归的时候，

  $$Y={\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+ϵ$$

  此时$x_1$的变化，会使得$Y$的变化只和${\beta }_1{x}_1$相关，未考虑到$x_2$对于$x_1$的影响，可能也会对$Y$造成影响。

• 对线性回归进行扩展，如下：

  $$\begin{gathered} Y={\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+{\beta }_3{x}_1{x}_2+ϵ \\ ={\beta }_0+({\beta }_1+{\beta }_3{x}_2)x_1+{\beta }_2{x}_2+ϵ \\ ={\beta }_0+\widetilde{{\beta }_1}{x}_1+{\beta }_2{x}_2+ϵ \end{gathered}$$

  此时，$x_1$的变化会有$x_2$的参与，$x_1$和$x_2$的$interaction$被考虑了进来。举个例子：流水线个数和员工人数，决定了生产量。现在增加流水线，提升了生产量；但生产量的提升，不仅仅是流水线的功劳，还有员工的功劳，即员工和流水线的相互作用$interaction$。

• Hierarchical Principle（层次性原则）

  若是一个模型中包含了$interaction$，那么这个模型也必须包含主要的影响因子$x_1,x_2$，即使$x_1,x_2$相关系数的$p-value$很大。也就是说，当$x_1,x_2$的$interaction$很重要的时候，$x_1,x_2$造成的影响也没多少人感兴趣了。但是它们得包含在模型中，否则会违背$x_1,x_2$相关这件事。

移除Linear假设，扩展到Non-linear Relationship

$$mpg={\beta }_0+{\beta }_{1}horsepower+{\beta }_{2}horsepowe{r}^2+ϵ$$

上述式子将$mpg$与$horsepower$的关系变为了非线性，可以看出来是一个二次的曲线。但需要注意的是，这仍是一个线性表达式，可以用线性回归的方法求解相关系数。因为改变的只是式子中的$predictor$而已，并不是相关系数。

6. Potential Problems

Non-linearity of the response-predictor relationships

• 残差$e_i=y_i-\widehat{y_i}$

  残差图（$ResidualPlot$）最好是橄榄球状，否则说明response和predictors是非线性关系

Correlation of Error Terms

$LinearRegressionModel$的 ϵ i , i ∈ { 1 , 2 , . . . } \epsilon_i, i\in\{1,2,...\} ϵi​,i∈{1,2,...}应该是故不相关的。

• 现有计算$regressioncoefficients$的方法都是基于${ϵ}_i$互不相关的假设。即当前数据的$ϵ$不会影响到下一数据的$ϵ$。否则当前计算出的$standarderror$将低估了正确的SD，因为没考虑到这种相关性，导致错的离谱。预测的区间和真实的比将会更宽，如$95\%$的置信区间其实并没有0.95这么高
• 举个例子
  • 假设将已有的$n$数据复制了一份，共有$2n$份数据用于训练模型
  • 虽然标准差是$2n$个样本的，但其实真实有效的数据只有$n$份。两份数据存在了相关性。
  • 训练得到的$coefficient$是针对$2n$份数据的，导致真实的置信区间缩小了$\sqrt{2}$倍。
• 在$timeseriesdata（时序序列数据）$中经常会出现$correlation$的问题。比如说，**邻近时间点采集的数据，都会有相关的$ϵ$。**如果存在相关性，那么在残差图中就会发现追踪现象，即临近残差将会有相近的值。
• $Correlation$对于$LinearRegression$很重要。若是数据来自同一个家庭，一样的吃饭习惯，都会使得数据存在相关性。若是线性回归中，各个样本之间能够独立，将会有更大的意义。

Non-constant variance of error terms（误差项的不恒定方差）

• 一般来说，线性回归模型满足该假设

  误差项有恒定的方差$var({ϵ}_i)={\sigma }^2$

• 但如果$response$的值不断地增加，该方差就会越来越大。当面对这个问题的时候，一个可行的方法就是对$response$进行$\sqrt{y}$或者$logY$。

Outliers（离群点）

• 虽然离群点对于回归线的影响可能不大，但对于$RSE$，$R^2$指标都有着极大的影响，这导致对模型的分析出现严重的错误。比如说，$confidenceinterval$，$p-value$的计算都出现问题。

• 可以通过

  $$Studenizedresiduals=\frac{e_i}{RSS}$$

  来计算，如果该值大于3，则该点为离群点

高杠杆点

• 高杠杆点势必离群点更危险的点，因为它容易带偏回归线。

• 对于高杠杆点的判断可通过如下公式

  $$h_i=\frac{1}{n}+\frac{(x_i-\overline{x})}{{\sum }_{i^{{}^{\prime }}}^n(x_{i^{{}^{\prime }}}-\overline{x}{)}^2}\in (\frac{1}{n},1)$$

  若是$(x_i-\overline{x})$越大，则$h_i$越大，说明了该点更可能为高杠杆点。通常$h_i>\frac{P+1}{n}$的点都是高杠杆点。

Collinearity（共线性）

• 两个$predictors$过于相关了，可以通过$VIF$指标来检测

  $$VIF({\hat{\beta }}_j)=\frac{1}{1-R_{X_j|X_{-j}}^2}$$

• 共线性使得各个变量之间互相关。而$LinearRegression$假设各个边缘之间独立，否则对预测会造成影响。但在现实生活中，数据间往往存在着相关性，但机器学习侧重于预测的准确率。若准确率很高，则不用过于关注。

7. 几个问题总结

sales和budget之间是否存在关系？

• 通过多元回归将sale和TV，Radio，Newspaper联系起来
• 测试 H 0 , β i = 0 , i ∈ { 1 , 2 , 3 , . . . } H_0,\beta_i=0,i\in\{1,2,3,...\} H0​,βi​=0,i∈{1,2,3,...}是否成立，使用$F-statistic$作为指标，$p-value$越低，说明存在关系的可能性越大。

Relationship有多强？

• $RSE$估计了标准误差
• $R^2$记录了$Response$中可以通过$Predictor$解释的变量占比

哪个媒体对sales有贡献？

• 检查每个$predictor$的$t-statistic$相关的$p-value$
• $p-value$越低，说明贡献越大

每个媒体在$sales$上的影响有多大？

• $\widehat{{\beta }_j}$的标准差可用来构建置信区间。若置信区间内不包含$0$且远离$0$，那么说明response和该predictor占一定关系。

• 此外，共线性会导致标准差变大。故需要检测共线性是某predictor置信区间出现0的原因，通过$VIF$来检测。

• 若想检验单个变量对sale的影响，可以各自做线性回归。

预测能力有多强？

• 若使用预测区间

  $$Y=f(x)+ϵ$$

• 若使用置信区间

  $$Y=f(x)$$

预测区间比置信区间更加广阔，因为预测区间加入了不可控变量$ϵ$。

是否为线性关系？

$residualplot$可用来检测非线性

广告数据存在协同性吗？

• 标准的线性回归模型假设$predictors$和$response$之间存在加性关系，即各个prediction互相独立。
• 每个predictor造成的影响不依赖其他的predictors

线性回归与K-NN Regression比较

• 线性回归是基于$parametric$类方法，有很好的优点

  • 仅需估计有限个$\beta$
  • 可以用统计方法进行分析

  但也有缺点

  • 有$F(X)$的强假设，若数据和假设无关，造成准确率很低

• 这时候就需要$non-parametric$的方法了，如$KNNRegression$，如下

  $$\widehat{f(x_0)}=\frac{1}{K}\sum _{x_i\in N_0}{y}_i$$

  • 当K很大时，以$MSE$为衡量指标不会比$LinearRegression$差多少。但是当$k$很小的时候，$K-NNRegerssion$就很差了。
  • 在现实生活中，当predictors的个数很多的时候，对于$KNNRegression$就会有维度灾难，其$MSE$很大。故大多是场合还是基于$LinearRegression$。

本文为作者原创，转载需注明出处！