第三章:线性模型
3.1 基本形式
- 线性模型:试图学得一个通过属性的线性组合来进行预测的函数,即:
f ( x ) = w 1 x 1 + w 2 x 2 + … + w d x d + b f\left( x\right) =w_{1}x_{1}+w_{2}x_{2}+\ldots +w_{d}x_{d}+b f(x)=w1x1+w2x2+…+wdxd+b
其中, x = ( x 1 ; x 2 ; . . . ; x d ) x=(x_{1};x_{2};...;x_{d}) x=(x1;x2;...;xd)是有d个属性的示例
一般用向量形式写成:
f ( x ) = w T x + b f\left( x\right) =w^{T}x+b f(x)=wTx+b
在线性模型的基础上通过引入层级结构或高维映射可得到许多功能更为强大的非线性模型(nonlinear model)。
3.2 线性回归
- 线性回归(linear regression)试图学得一个线性模型以尽可能地预测实值输出标记。
对离散变量的处理
- 若属性值之间存在序关系,可通过连续化将其转换为连续值:如高中低对应{1, 0.5, 0}
- 若属性之间不存在序关系,假定属性值有k个,则通常转化为k维向量:如瓜类的取值黄瓜,西瓜,冬瓜可转化为(0,0,1),(0,1,0)(1,0,0)
3.2.1 对于样本只有一种属性的情况
线性回归试图学得:
\qquad\qquad\qquad\qquad\qquad f ( x i ) = w x i + b f(x_{i})=wx_{i}+b f(xi)=wxi+b,使得 f ( x i ) ≃ y i f(x_{i}) \simeq y_{i} f(xi)≃yi
对于 f ( x i ) ≃ y i f(x_{i}) \simeq y_{i} f(xi)≃yi,我们可以通过让均方误差最小化来达到(即找到一条直线,使得所有样本到该直线的欧几里得距离之和最小)。
( w ∗ , b ∗ ) = a r g m i n ( w , b ) ∑ i = 1 m ( f ( x i ) − y i ) 2 \left( w^{\ast },b^{\ast }\right) =arg\space min_{\left( w,b\right) }\sum ^{m}_{i=1}\left( f\left( x_{i}\right) -y_{i}\right) ^{2} (w∗,b∗)=arg min(w,b)i=1∑m(f(xi)−yi)2 (3.4) = a r g m i n ( w , b ) ∑ i = 1 m ( y i − w x i − b ) 2 \space\space\qquad\qquad =arg\space min_{\left( w,b\right) }\sum ^{m}_{i=1}\left( y_{i}-wx_{i}-b\right) ^{2} \tag{3.4} =arg min(w,b)i=1∑m(yi−wxi−b)2(3.4)
求解 E ( w , b ) = ∑ i = 1 m ( y i − w x i − b ) 2 E\left( w,b\right) = \sum ^{m}_{i=1}\left( y_{i}-wx_{i}-b\right) ^{2} E(w,b)=∑i=1m(yi−wxi−b)2最小化的过程,称为线性回归模型的最小二乘“参数估计”(parameter estimation)。
E ( w , b ) E\left( w,b\right) <