监督学习:通过分析已有的训练数据,得出最优模型,进而对未知数据进行预测。
无监督学习:事先没有训练数据,直接对数据进行建模
分类和回归属于监督学习,之所以称之为监督学习,是因为这类算法必须知道预测什么,即目标变量的分类信息。
无监督学习,此时数据没有类别信息,也不会给定目标值。在无监督学习中,将数据集合分成由类似的对象组成的多个类的过程被称为聚类;将寻找描述数据统计值的过程称之为密度估计。此外,无监督学习还可以减少数据特征的维度,以便我们可以使用二维或三维图形更加直观地展示数据信息。
监督学习:线性回归,分类…..
P1:线性回归
样本拟合方程:
其中,(x,y)为样本数据;n:数据特征数目;θ:为各项特征的参数,即权重。
回归目的:计算θ,使得h(x)与y的误差最小,基于最小二乘法,得
即,计算θ,使得J(θ)的误差最小。m :为样本容量。
下面介绍实现回归的几种算法:梯度下降,最小二乘法,局部加权线性回归
一,梯度下降(Gradient descent):
给定初始θ,逐步更新θ值:
α:Learning rate, 决定下降速度。
J对θ求导,得:
计算过程:
循环直至收敛{
}
梯度下降方法,每次循环都要对所有样本参数进行计算;当样本容量很大的时候,计算量会很大;一种解决办法就是随机梯度下降(stochastic gradient descent),计算过程如下:
循环{
}
m : 为样本容量;每次循环只对一组数据进行计算。
二, 正规方程(Normal equations)最小二乘解
梯度下降方程可写为如下形式:θ≔ θ- α* ∇θ J
定义:
So,
优化目的即使∇θ J(θ)=0, 即
最后得出,
此解即为超定方程的Ax = b最小二乘解:A^T Ax= A^T b
得, x= 〖(A^T A)〗^(-1) A^T b .
备注:若矩阵不可逆,可使用伪逆矩阵。
三,局部加权线性回归(Locally weighted linear regression)
对于上述的线性拟合方法,选择不同的特征函数就会出现不同的拟合结果,下图分别为使用1/2/6次方程线性拟合的结果,1/6次方程的线性拟合分别造成欠拟合与过拟合的现象:
为缓解特征选取的需求,提出非参数学习算法,局部加权线性回归即其中一种。
参数学习算法(Parameters learning algorithm): 固定数目的参数
非参数学习算法(Non-parameters learning algorithm): 参数数目随样本容量增加。
下面介绍局部加权线性回归(Loess):
算法:
其中, 为权值,进行拟合点的选取,公式如下:
为钟形函数,不具有任何类似高斯函数的意义。当x(i)距离测试点x近时,权值较大;反之,权值很小。τ:带宽,确定选择的范围。
缺点:每进行一次预测,都要对所有数据进行一次线性拟合,计算量大。
问题:如何选择τ。
四,概率解释
本节是对最小二乘法实现线性回归的解释,即为什么使用最小二乘法;赋予最小二乘法概率意义。
Step1: 假设线性回归的函数为:
其中,为误差,假设服从正态分布,即,ϵ^((i))~ ℵ(0,σ^2)
采用正态分布的原因:1,对于大部分的线性回归,误差都服从于正态分布;2,基于中心极限定理。
Step2: 得误差的概率密度函数:
其中,x(i)为随机变量,θ为未知参数,具有具体的值,不是随机变量。(频率学派观点)
Step2:参数的最大似然估计,参数的似然性等价于数据的概率,似然函数如下:
参数的最大似然估计,即选择θ使数据出现的概率尽可能大,求θ使L(θ)最大,过程如下:
其中,J(θ)即
结论:参数θ的最大似然估计等价于最小化J(θ)-----最小二乘法的概率意义。