DataWhale集成学习-Task2

记录 DataWhale集成学习的组队学习过程，Task2是熟悉机器学习中的回归问题，主要介绍了三种算法：线性回归；决策树回归；支持向量回归。

线性回归

线性回归，顾名思义就是用线性模型来拟合数据，也就是说假设标签与特征之间存在$y_i={\mathbf{\theta }}^T{\mathbf{x}}_{\mathbf{i}}$这样的线性关系，线性回归中用的一般都是最小二乘估计，DataWhale的教材中给出了线性回归使用最小二乘回归的两个解释，一个是基于概率的解释，一个是基于几何的解释，这里我也照猫画虎的给出一点自己的见解。
定义一个回归问题:有带标签数据集 D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) ⋯ ( x m , y m ) } D=\{(\boldsymbol{x_1},y_1),(\boldsymbol{x_2},y_2)\cdots(\boldsymbol{x_m},y_m)\} D={(x1​,y1​),(x2​,y2​)⋯(xm​,ym​)}，其中${\mathbf{x}}_{\mathbf{i}}\in {\mathbb{R}}^d$，$m$个样本的特征组成特征矩阵$X$,其中$X\in {\mathbb{R}}^{m\times d}$（每一行是一个样本）；$m$个样本的标签组成标签向量$\mathbf{y}=(y_1,y_2\cdots y_m{)}^T$。 我们的目的是求出未知参数$\mathbf{\theta }$, 其中，$\mathbf{\theta }\in {\mathbb{R}}^d$，使得$||X\mathbf{\theta }-\mathbf{y}|{|}_2^2$最小。我们记$J(\mathbf{\theta })=||X\mathbf{\theta }-\mathbf{y}|{|}_2^2$, $J(\mathbf{\theta })$就是我们要优化的目标函数。

目标函数的数学意义

第一个要回答的问题就是为什么我们的目标函数要定义为$||X\mathbf{\theta }-\mathbf{y}|{|}_2^2$这种形式，为什么是残差向量二范数的平方，$||X\mathbf{\theta }-\mathbf{y}|{|}_2^3$这样的三次方不可以吗？这样定义的背后的数学意义在哪里？

这里我们从概率出发，给出一个数学上的解释,我们考虑某单个样本$({\mathbf{x}}_{\mathbf{i}},y_i)$，在参数$\mathbf{\theta }$确定的情况下存在以下公式：
$$y_i={\mathbf{\theta }}^T{\mathbf{x}}_{\mathbf{i}}+{ϵ}_i\text{\hspace{1em}(1)}$$

其中，${ϵ}_i$代表的是误差项，每一个样本都有一个自己的误差项$ϵ$，我们将$ϵ$看作一个随机变量，在样本间是独立同分布的，而且服从高斯分布 $ϵ\sim \mathcal{N}(0,{\sigma }^2)$ 。根据公式(1)我们可知，此时我们是将$\mathbf{\theta }$和${\mathbf{x}}_{\mathbf{i}}$看作已知量的，所以$y_i$也为随机变量，且$y_i\sim \mathcal{N}({\mathbf{\theta }}^T{\mathbf{x}}_{\mathbf{i}},{\sigma }^2)$，$y_i$的概率密度函数为：
$$p\left(y_i\mid {\mathbf{x}}_{\mathbf{i}};\mathbf{\theta }\right)=\frac{1}{\sqrt{2\pi }\sigma }\exp \left(-\frac{{\left(y_i-{\mathbf{\theta }}^T{\mathbf{x}}_{\mathbf{i}}\right)}^2}{2{\sigma }^2}\right)\text{\hspace{1em}(2)}$$
我们知道，标签$y_i$也是独立同分布的，此时已经知道了$y$的概率分布，接下来就是求未知参数$\mathbf{\theta }$，其实也很简单，使用极大似然估计一波带走，先求出似然函数$L(\mathbf{\theta })$：
$$\begin{array}{rl}L(\mathbf{\theta })& =\log \prod _{i=1}^m\frac{1}{\sqrt{2\pi }\sigma }\exp \left(-\frac{{\left(y_i-{\mathbf{\theta }}^T{\mathbf{x}}_i\right)}^2}{2{\sigma }^2}\right)\\ & =\sum _{i=1}^m\log \frac{1}{\sqrt{2\pi }\sigma }\exp \left(-\frac{{\left(y_i-{\mathbf{\theta }}^T{\mathbf{x}}_i\right)}^2}{2{\sigma }^2}\right)\\ & =m\log \frac{1}{\sqrt{2\pi }\sigma }-\frac{1}{{\sigma }^2}\cdot \frac{1}{2}\sum _{i=1}^m{\left(y_i-{\mathbf{\theta }}^T{\mathbf{x}}_i\right)}^2\end{array}\text{\hspace{1em}(3)}$$

通常顺序是接着对似然函数求导，然后让导数为0，但是从公式(3)我们可以很清楚的看出，要想让$L(\mathbf{\theta })$最大，那${\sum }_{i=1}^m{\left(y_i-{\mathbf{\theta }}^T{\mathbf{x}}_i\right)}^2$就应该最小，又因为：
$$\sum _{i=1}^m{\left(y_i-{\mathbf{\theta }}^T{\mathbf{x}}_i\right)}^2=||X\mathbf{\theta }-\mathbf{y}|{|}_2^2\text{\hspace{1em}(4)}$$

有意思的是，我们一开始假设$ϵ\sim \mathcal{N}(0,{\sigma }^2)$ ，最后通过公式化简我们发现，无论$\sigma$取什么值都不影响我们的结论。所以我们至此证明了，最小二乘背后的数学假设是：模型预测的残差服从均值为0的高斯分布。其实以上证明只是Generalize Linear Models模型的一个特殊情况，对Generalize Linear Models感兴趣的朋友可以看一下An Introduction to Generalized Linear Models这篇论文。

正规方程解决最小二乘问题

第一个问题已经解决了，第二问题是如何优化 $J(\mathbf{\theta })$求出$\mathbf{\theta }$，这个问题其实十分好解决，只要遇到一阶可导的优化问题，直接SGD一波带走(大雾)，其实如何优化这个问题，涉及到了矩阵论的一些知识(让我回想起了以前被矩阵论课支配的恐惧),内容比较多,这里只做一个最简单的推导。
最小化$||X\mathbf{\theta }-\mathbf{y}|{|}_2^2$，从矩阵论的角度，可以看作求方程组：
$$X\mathbf{\theta }=\mathbf{y}\text{\hspace{1em}(5)}$$
我们知道，当方程组方程的个数大于未知数的个数的时候，方程组称为"超定方程组"，是没有解的。在我们这个线性拟合问题中，就是当样本个数$m$大于特征维度$d$时，为超定方程组，在绝大时候，样本的个数是远远大于特征的维度的。在矩阵论中，最小二乘问题可以看作这样一个问题：求集合 { θ ∈ R d ： ∣ ∣ X θ − y ∣ ∣   i s   m i n i m i z e d } \{ \boldsymbol{\theta}\in \mathbb R^d ：|| X\boldsymbol{\theta}-\boldsymbol{y}|| \ is\ minimized\} {θ∈Rd：∣∣Xθ−y∣∣ is minimized} ,意思就是，虽然方程组没有解，但是在2范数意义下，存在$\mathbf{\theta }$使得$X\mathbf{\theta }$最接近$\mathbf{y}$。其具体求解过程如下：
设残差向量$\mathbf{r}=X\mathbf{\theta }-\mathbf{y}$,我们先在二维空间中进行讨论，此时，$X\mathbf{\theta }$为一条直线，$\mathbf{y}$为空间中的一个向量，根据定义，在$X\mathbf{\theta }$这条直线上存在最优点${\mathbf{\theta }}^{\ast }$使得$||X\mathbf{\theta }-\mathbf{y}||$最小，这个${\mathbf{\theta }}^{\ast }$就是最小二乘解集合中的一个元素，如下图所示：

可以很明显的看出，当残差向量$\mathbf{r}=X\mathbf{\theta }-\mathbf{y}$中的$\mathbf{\theta }={\mathbf{\theta }}^{\ast }$时， $\mathbf{r}$垂直于$X\mathbf{\theta }$。我们知道，$X\mathbf{\theta }$定义的是矩阵$X$的列空间$C(X)$，由矩阵论中矩阵四个基本空间的知识可知，与$C(X)$垂直的空间为矩阵$X$的左零空间$N(X^T)$,所以残差向量$\mathbf{r}\in N(X^T)$，由左零空间的定义可知：
$$X^T\mathbf{r}=0$$
将$\mathbf{r}=X\mathbf{\theta }-\mathbf{y}$代入，得到：
$$X^T(X\mathbf{\theta }-\mathbf{y})=0$$
最后我们得到The normal equations(正规方程组)
$$X^{T}X\mathbf{\theta }=X^T\mathbf{y}$$
解此方程组即可得到最优的参数。

线性回归推广

简单的线性模型只能拟合线性关系，在复杂的数据集中肯定无法取得好的结果，一般的方法是对原始特征进行一些特征映射(feature transform)，将原始数据映射到更高维的空间中。像下面这张图一样(图来自林轩田老师的《机器学习基石》课程，一个非常棒的公开课)，样本点 { ( x n , y n ) } ， n = 1 , 2 , ⋯ \{(\boldsymbol{x_n},y_n)\}，n=1,2,\cdots {(xn​,yn​)}，n=1,2,⋯在原始的样本空间中只能用一个圈分割，很显然是线性不可分的，但是通过特征映射，将原始的特征空间$\mathcal{X}$映射到空间$\mathcal{Z}$中，在空间$\mathcal{Z}$中就成线性可分了。一个大家比较熟悉的应用是SVM中的核函数，起到的作用也是特征映射。

广义可加模型

第一次听说这个模型，公式如下所示，好像是把其他模型得到的结果当作特征，再输入一个线性模型，只不过这个线性模型没有权重，只有一个偏置。感觉这就是集成学习中的Blending和Stacking的一个简化版啊，不知道它们的区别在哪里。$$y_i={\theta }_0+\sum _j{f}_j(x_i)+{ϵ}_i$$

决策树回归和支持向量回归

决策树回归就是用一般的决策树做回归问题，常用的还是CART树，关于CART树的知识，《统计学习方法》这本书中给出了很详细的介绍，CART树是GBDT和XGboost的基础。支持向量回归可以参考周志华老师的《机器学习》，和我们上面介绍的线性回归的差别在于损失函数不同，线性回归用平方误差做损失函数，支持向量回归的损失函数设计了一个阈值$ϵ$，误差小于这个阈值$ϵ$是不计算的，我们还是以林轩田老师课中的图片当例子，图片中的tube函数就是支持向量回归中使用的损失函数，通过加了阈值$ϵ$,且使用绝对值作为误差函数，使得算法的抗噪点能力更强。