1.Logistics Regression
考虑这样一个问题:
当一堆给定的数据集 X X X分别只属于class1和class2,那么对于另一个给定测试数据集 x x x, X X X不包含 x x x,那么 x x x中各个数是class1的概率是多少?
1.1 分类的定义及实用情形
在回归问题中,会预测连续值;而在分类问题中,预测离散值。
每个数据点都会获得标注,如类别标签或与数值相关的标签。
1.2 分类的要素
- Model
对于输入的 x x x,带入相应函数,进行分类。
x → { g ( x ) > 0 , o u t p u t = c l a s s 1 e l s e , o u t p u t = c l a s s 2 x\rightarrow \begin{cases} g\left( x \right) >0, output=class1\\ else\,\, , output=class2\\ \end{cases} x→{ g(x)>0,output=class1else,output=class2 - loss function
L ( f ) = ∑ δ ( f ( x ( n ) ) ≠ y ( n ) ) L\left( f \right) =\sum{\delta \left( f\left( x^{\left( n \right)} \right) \ne y^{\left( n \right)} \right)} L(f)=∑δ(f(x(n))=y(n)) - 最优化
如感知机,SVM等
2. 通过Generative模型得到问题的求解
2.1 前期知识复习及补充
2.1.1 全概率公式及贝叶斯公式
如图所示:
已知两个类别,对于随机取出一个的球x(表颜色),其在class1(C1比如表示蓝色)中的概率计算方法为:
P ( C 1 ∣ x ) = P ( x ∣ C 1 ) P ( C 1 ) P ( x ∣ C 1 ) P ( C 1 ) + P ( x ∣ C 2 ) P ( C 2 ) P\left( C_1|x \right) =\frac{P\left( x|C_1 \right) P\left( C_1 \right)}{P\left( x|C_1 \right) P\left( C_1 \right) +P\left( x|C_2 \right) P\left( C_2 \right)} P(C1∣x)=P(x∣C1)P(C1)+P(x∣C2)P(C2)P(x∣C1)P(C1)
取出的x的概率为:
P ( x ) = P ( x ∣ C 1 ) P ( C 1 ) + P ( x ∣ C 2 ) P ( C 2 ) P\left( x \right) =P\left( x|C_1 \right) P\left( C_1 \right) +P\left( x|C_2 \right) P\left( C_2 \right) P(x)=P(x∣C1)P(C1)+P(x∣C2)P(C2)
对于n个类别则有:
P ( C 1 ∣ x ) = P ( x ∣ C 1 ) P ( C 1 ) ∑ i = 1 n P ( x ∣ C i ) P ( C i ) P\left( C_1|x \right) =\frac{P\left( x|C_1 \right) P\left( C_1 \right)}{\sum_{i=1}^n{P\left( x|C_i \right) P\left( C_i \right)}} P(C1∣x)=∑i=1nP(x∣Ci)P(Ci)P(x∣C1)P(C1)
P ( x ) = ∑ i = 1 n P ( x ∣ C i ) P ( C i ) P\left( x \right) =\sum_{i=1}^n{P\left( x|C_i \right) P\left( C_i \right)} P(x)=i=1∑nP(x∣Ci)P(Ci)
2.1.2 高维高斯分布
推导过程见:多维高斯分布
f μ , Σ ( x ) = 1 ( 2 π ) D / 2 1 ∣ Σ ∣ 1 / 2 e − 1 2 ( x − μ ) Σ − 1 ( x − μ ) T f_{\mu ,\varSigma}\left( x \right) =\frac{1}{\left( 2\pi \right) ^{D/2}}\frac{1}{|\varSigma |^{1/2}}e^{-\frac{1}{2}\left( x-\mu \right) \varSigma ^{-1}\left( x-\mu \right) ^T} fμ,Σ(x)=(2π)D/21∣Σ∣1/21e−21(x−μ)Σ−1(x−μ)T
其中, x x x表示维度为 D 的向量, μ \mu μ则是这些向量的平均值(不同数据的相同维度计算平均值), Σ \varSigma Σ 表示所有向量 x x x的协方差矩阵(反应数据的离散程度)。
以二维为例:
Σ = ( σ 11 σ 12 σ 21 σ 22 ) = ( σ 1 2 σ 12 σ 21 σ 2 2 ) \varSigma =\left( \begin{matrix} \sigma _{11}& \sigma _{12}\\ \sigma _{21}& \sigma _{22}\\ \end{matrix} \right) =\left( \begin{matrix} \sigma _{1}^{2}& \sigma _{12}\\ \sigma _{21}& \sigma _{2}^{2}\\ \end{matrix} \right) Σ=(σ11σ21σ12σ22)=(σ12σ21σ12