本文主要是根据上交的《统计计算与机器学习》课程的内容记录的课程笔记
- 统计与机器学习的区别
统计是有带模型的假设,假设数据满足某一种模型或者某一种分布,计算得到参数(model-based)
机器学习是不管数据是什么样子,在函数空间内去拟合参数(model-free) - 以线性回归为例
数据集 S = { ( x i , y i ) } i = 1 i = n S = \{ (x_i, y_i) \}^{i=n}_{i=1} S={(xi,yi)}i=1i=n,我们最后希望通过线性回归得到 Y = X a Y = Xa Y=Xa,其中Y是 [ y 1 y 2 y 3 ⋮ y n ] \left[ \begin{matrix} y_1 \\ y_2\\y_3\\ \vdots \\y_n\end{matrix}\right] ⎣⎢⎢⎢⎢⎢⎡y1y2y3⋮yn⎦⎥⎥⎥⎥⎥⎤,X是 [ x 1 1 x 2 1 x 3 1 ⋮ x n 1 ] \left[ \begin{matrix} x_1&1\\x_2&1\\x_3&1\\\vdots\\x_n&1\end{matrix} \right] ⎣⎢⎢⎢⎢⎢⎡x1x2x3⋮xn1111⎦⎥⎥⎥⎥⎥⎤。
按照统计学的思想,此时的回归系数 a a a根据最小二乘法, a = ( X T X ) − 1 X T Y a=(X^TX)^{-1}X^TY a=(XTX)−1XTY,但是这种做法work(得到的 a a a是无偏估计,就是真实的 a a a)的时候是需要满足一些假设,假设如下
(1) ( X , Y ) (X, Y) (X,Y)是从 Y = X a + ϵ Y=Xa+\epsilon Y=Xa+ϵ采样得到
(2) ( X T X ) (X^TX) (XTX)可逆
(3) E ( ϵ ) = 0 E(\epsilon)=0 E(ϵ)=0, v a r ( ϵ ) = σ 2 I var(\epsilon)=\sigma^2I var(ϵ)=σ2I
而对于机器学习来说,我们的函数空间是 Y = X a + b Y=Xa+b Y=Xa+b,根据最小化 m s e mse mse的目标利用梯度下降去学习得到参数 a a a,没有任何假设。
L = 1 n Σ i = 1 n ( y p r e d i c t i − y t r u e i ) 2 L = \frac{1}{n}\Sigma_{i=1}^n(y_{predict_i} - y_{true_i})^2 L=n1Σi=1n(ypredicti−ytruei)2
∂ L ∂ a = 2 n Σ i = 1 n ( y p r e d i c t i − y t r u e i ) ∗ x i \frac{\partial{L}}{\partial{a}} = \frac{2}{n}\Sigma_{i=1}^{n}{(y_{predict_i} - y_{true_i})*x_i} ∂a∂L=n2Σi=1n(ypredicti−ytruei)∗xi
a t + 1 = a t − η ∂ L ∂ a a^{t+1} = a^{t}- \eta\frac{\partial{L}}{\partial{a}} at+1=at−η∂a∂L
参考资料:
上交《统计计算与机器学习》2020课程