基本概念
首先看一下基本的概念与符号。
x
(
i
)
x^{(i)}
x(i)表示输入变量,也就是特征,
y
(
i
)
y^{(i)}
y(i)表示输出变量,也被称为标签或目标。二者组成的元组
(
x
(
i
)
,
y
(
i
)
)
(x^{(i)},y^{(i)})
(x(i),y(i))就表示一个训练样本,而
n
n
n个这样的训练样本就组成了训练集,即
{
(
x
(
i
)
,
y
(
i
)
)
;
i
=
1
,
⋯
,
n
}
\{(x^{(i)} , y^{(i)} ); i = 1, \cdots , n\}
{(x(i),y(i));i=1,⋯,n}。此外,我们使用
X
\mathcal{X}
X表示输入值的空间,用
Y
\mathcal{Y}
Y表示输出值的空间。将输入值映射到输入值的函数被称为假设(hypothesis),这些映射函数构成的集合被称为假设集,表示为
h
:
X
↦
Y
h: \mathcal{X} \mapsto \mathcal{Y}
h:X↦Y。以线性函数为例,一个可能的假设为:
h
θ
(
x
)
=
θ
0
+
θ
1
x
1
+
θ
2
x
2
h_\theta(x) = \theta_0 + \theta_{1}x_1 + \theta_2 x_2
hθ(x)=θ0+θ1x1+θ2x2
其中,
θ
i
\theta_i
θi是假设的参数(或称之为权重)。显然,对于不同的假设,其参数是不同的。
机器学习的流程就是在训练集上运行学习算法,从假设集中找到一个“好”的假设 h ∗ h^* h∗,以根据输入值预测输出值。如果我们需要预测的输出值是连续的,那么我们称之为回归问题;如果需要预测的值是离散的,那么就是分类问题。接下来,我们需要解决两个问题。第一个问题就是如何衡量假设的“好”与“坏”?第二个问题是怎样找到一个“好”的假设?
损失函数
先来看一下第一个问题,如何衡量假设的“好”与“坏”。显然,一种直观的想法是在训练集上,预测值
h
θ
(
x
)
h_\theta(x)
hθ(x)与真实值
y
y
y之间的误差越小越好。因此,我们定义一个函数来衡量不同参数
θ
\theta
θ下每个样本的预测值
h
θ
(
x
(
i
)
)
h_\theta(x^{(i)})
hθ(x(i))和真实值
y
(
i
)
y^{(i)}
y(i)之间的差距。这个函数就是损失函数。在回归问题中,常用的损失函数为平方误差函数:
J
(
θ
)
=
1
2
n
∑
i
=
1
n
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
J(\theta) = \frac {1}{2n} \sum_{i=1}^n \left( h_\theta (x^{(i)}) - y^{(i)} \right)^2
J(θ)=2n1i=1∑n(hθ(x(i))−y(i))2
参数学习
我们已经知道如何度量假设的“好”与“坏”,下面就需要解决第二个问题:如何找到“好”的假设,换句话说,就是如何学习出“好”的参数 θ \theta θ。我们希望学到的参数能够使损失函数 J ( θ ) J(\theta) J(θ)最小化。下面介绍两种学习参数的方法。
梯度下降法
梯度下降是一种最优化方法。它首先将参数初始化,然后求解对应目标函数的梯度,沿着梯度下降最快的方向更新参数,直到目标函数收敛到最小值。单步更新的公式如下:
θ
j
≔
θ
j
−
α
∂
∂
θ
j
J
(
θ
)
\theta_j \coloneqq \theta_j - \alpha\frac{\partial}{\partial\theta_j}J(\theta)
θj:=θj−α∂θj∂J(θ)
其中
α
\alpha
α是学习率,也叫做步长。实现梯度下降的关键是求解
J
(
θ
)
J(\theta)
J(θ)对
θ
j
\theta_j
θj的偏导数:
∂
∂
θ
j
J
(
θ
)
=
∂
∂
θ
j
1
2
(
h
θ
(
x
)
−
y
)
2
=
2
⋅
1
2
(
h
θ
(
x
)
−
y
)
⋅
∂
∂
θ
j
(
h
θ
(
x
)
−
y
)
=
(
h
θ
(
x
)
−
y
)
⋅
∂
∂
θ
j
(
∑
i
=
0
d
θ
i
x
i
−
y
)
=
(
h
θ
(
x
)
−
y
)
x
j
\begin{aligned} \frac{\partial}{\partial \theta_j} J(\theta) &= \frac{\partial}{\partial \theta_j} \frac{1}{2} (h_\theta(x) - y)^2 \\ &=2 \cdot \frac{1}{2} (h_\theta(x) - y) \cdot \frac{\partial}{\partial \theta_j} (h_\theta(x) - y) \\ &=(h_\theta(x) - y)\cdot\frac{\partial}{\partial \theta_j}\left(\sum_{i=0}^{d}\theta_i x_i - y\right)\\ &=(h_\theta(x) - y)x_j \end{aligned}
∂θj∂J(θ)=∂θj∂21(hθ(x)−y)2=2⋅21(hθ(x)−y)⋅∂θj∂(hθ(x)−y)=(hθ(x)−y)⋅∂θj∂(i=0∑dθixi−y)=(hθ(x)−y)xj
因此,单个训练样本的更新规则如下:
θ
j
≔
θ
j
−
α
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
,
∀
j
∈
{
0
,
1
,
⋯
,
d
}
\theta_j \coloneqq \theta_j - \alpha\left(h_\theta(x^{(i)})-y^{(i)}\right)x_j^{(i)},\forall j\in\{0,1,\cdots,d\}
θj:=θj−α(hθ(x(i))−y(i))xj(i),∀j∈{0,1,⋯,d}
也可以写成:
θ
≔
θ
−
α
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
x
(
i
)
\theta \coloneqq \theta - \alpha\left(h_\theta(x^{(i)})-y^{(i)}\right)x^{(i)}
θ:=θ−α(hθ(x(i))−y(i))x(i)
在使用梯度下降算法时,要进行特征缩放及归一化。这两步操作使所有的特征值处于相近的范围内,以保证损失函数 J ( θ ) J(\theta) J(θ)不是偏斜的。
正规方程法
因为最小化 J ( θ ) J(\theta) J(θ)是一个凸优化问题,所以 J ( θ ) J(\theta) J(θ)有全局唯一的最小值。这就意味着我们可以直接计算出该问题的解析解。
为了求解该问题,我们需要构造一个由所有训练样本组成的矩阵
X
X
X,矩阵的每一行表示一个训练样本,每一列表示不同的特征。这里
X
X
X是一个
n
×
(
d
+
1
)
n\times (d+1)
n×(d+1)维的矩阵(包含截距项):
X
=
[
—
(
x
(
1
)
)
T
—
—
(
x
(
2
)
)
T
—
⋮
—
(
x
(
n
)
)
T
—
]
X=\begin{bmatrix} —(x^{(1)})^T — \\ —(x^{(2)})^T —\\ \vdots \\ —(x^{(n)})^T— \end{bmatrix}
X=⎣⎢⎢⎢⎡—(x(1))T——(x(2))T—⋮—(x(n))T—⎦⎥⎥⎥⎤
令
y
⃗
\vec{y}
y为所有真实值组成的
n
n
n维向量:
y
⃗
=
[
y
(
1
)
y
(
2
)
⋮
y
(
n
)
]
\vec{y} = \begin{bmatrix} y^{(1)}\\ y^{(2)}\\ \vdots\\ y^{(n)}\\ \end{bmatrix}
y=⎣⎢⎢⎢⎡y(1)y(2)⋮y(n)⎦⎥⎥⎥⎤
因为
h
θ
(
x
(
i
)
)
=
(
x
(
i
)
)
T
θ
h_\theta(x^{(i)}) = (x^{(i)})^T\theta
hθ(x(i))=(x(i))Tθ,其中
θ
\theta
θ是一个
d
+
1
d+1
d+1维向量,所以有如下形式:
X
θ
−
y
⃗
=
[
(
x
(
1
)
)
T
θ
⋮
(
x
(
n
)
)
T
θ
]
−
[
y
(
1
)
⋮
y
(
n
)
]
=
[
h
θ
(
x
(
1
)
)
−
y
(
1
)
⋮
h
θ
(
x
(
n
)
)
−
y
(
n
)
]
\begin{aligned} X\theta -\vec{y} &=\begin{bmatrix} (x^{(1)})^T\theta\\ \vdots\\ (x^{(n)})^T\theta\\ \end{bmatrix}-\begin{bmatrix} y^{(1)}\\ \vdots\\ y^{(n)}\\ \end{bmatrix}\\ &=\begin{bmatrix} h_\theta(x^{(1)})-y^{(1)}\\ \vdots\\ h_\theta(x^{(n)})-y^{(n)}\\ \end{bmatrix} \end{aligned}
Xθ−y=⎣⎢⎡(x(1))Tθ⋮(x(n))Tθ⎦⎥⎤−⎣⎢⎡y(1)⋮y(n)⎦⎥⎤=⎣⎢⎡hθ(x(1))−y(1)⋮hθ(x(n))−y(n)⎦⎥⎤
对于任意向量
z
z
z,我们有
z
T
z
=
∑
i
z
i
2
z^Tz = \sum_{i}z_i^2
zTz=∑izi2。因此,可以将
J
(
θ
)
J(\theta)
J(θ)写成矩阵形式:
J
(
θ
)
=
1
2
∑
i
=
1
n
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
=
1
2
(
X
θ
−
y
⃗
)
T
(
X
θ
−
y
⃗
)
\begin{aligned} J(\theta)&= \frac{1}{2}\sum_{i=1}^{n}\left(h_\theta(x^{(i)})-y^{(i)}\right)^2\\ &=\frac{1}{2} (X\theta-\vec{y})^T(X\theta-\vec{y}) \end{aligned}
J(θ)=21i=1∑n(hθ(x(i))−y(i))2=21(Xθ−y)T(Xθ−y)
对
J
(
θ
)
J(\theta)
J(θ)求导得:
∇
θ
J
(
θ
)
=
∇
θ
1
2
(
X
θ
−
y
⃗
)
T
(
X
θ
−
y
⃗
)
=
1
2
(
(
X
θ
)
T
X
θ
−
(
X
θ
)
T
y
⃗
−
y
⃗
T
(
X
θ
)
+
y
⃗
T
y
⃗
)
=
1
2
(
θ
T
(
X
T
X
)
θ
−
y
⃗
T
(
X
θ
)
−
y
⃗
T
(
X
θ
)
)
=
1
2
(
θ
T
(
X
T
X
)
θ
−
2
(
y
⃗
T
X
)
θ
)
=
1
2
(
θ
T
(
X
T
X
)
θ
−
2
(
X
T
y
⃗
)
T
θ
)
=
1
2
(
2
X
T
X
θ
−
2
X
T
y
⃗
)
=
X
T
X
θ
−
X
T
y
⃗
\begin{aligned} \nabla_\theta J(\theta) &= \nabla_\theta \frac{1}{2}(X\theta-\vec{y})^T(X\theta-\vec{y})\\ &= \frac{1}{2}\left((X\theta)^TX\theta-(X\theta)^T\vec{y}-\vec{y}^T(X\theta)+\vec{y}^T\vec{y}\right)\\ &= \frac{1}{2}\left(\theta^T(X^TX)\theta-\vec{y}^T(X\theta)-\vec{y}^T(X\theta)\right)\\ &=\frac{1}{2}\left(\theta^T(X^TX)\theta- 2(\vec{y}^TX)\theta\right)\\ &= \frac{1}{2}\left(\theta^T(X^TX)\theta-2(X^T\vec{y})^T\theta\right)\\ &= \frac{1}{2}(2X^TX\theta-2X^T\vec{y})\\ &= X^TX\theta-X^T\vec{y} \end{aligned}
∇θJ(θ)=∇θ21(Xθ−y)T(Xθ−y)=21((Xθ)TXθ−(Xθ)Ty−yT(Xθ)+yTy)=21(θT(XTX)θ−yT(Xθ)−yT(Xθ))=21(θT(XTX)θ−2(yTX)θ)=21(θT(XTX)θ−2(XTy)Tθ)=21(2XTXθ−2XTy)=XTXθ−XTy
为了求解
J
(
θ
)
J(\theta)
J(θ)的最小值,令其导数等于0,得到正规方程:
X
T
X
θ
=
X
T
y
⃗
X^TX\theta = X^T\vec{y}
XTXθ=XTy
因此,
J
(
θ
)
J(\theta)
J(θ)最小值的闭式解为:
θ
=
(
X
T
X
)
−
1
X
T
y
⃗
\theta = (X^TX)^{-1}X^T\vec{y}
θ=(XTX)−1XTy
当 X T X X^TX XTX不可逆时,我们需要仔细检查训练集的特征,去除相关性较强的冗余特征;或者使用正则化技术。此外,还可以求解 X T X X^TX XTX的伪逆。