PRML Ch3: Linear Models For Regression 线性回归模型

线性回归模型可以从第一章的决策论一节中的loss function for regression讲起，当我们已经有关于回归目标$t$的条件分布$p(t|x)$时，如果选取L2 loss为loss function,那么通过变分的方法最小化期望误差，可以得出我们的回归函数应该为$E_{t}[t|x]$，即概率分布$P(t|x)$关于$t$的期望。但是这个结论并不能直接应用，因为我们并不知道关于$t$的条件分布$p(t|x)$。
在一般的回归任务中，我们的目标是使用$(x, t)$的二元组样本数据集$D$，来估计出$p(t|x)$。

统计角度的线性回归模型

线性回归模型假设数据是这么产生的：$t = w^{T}x +\epsilon$. 其中$\epsilon$是一个服从$\mathcal{N}(0, \sigma)$的随机噪声，那么观测到目标$t$服从的分布为$p(t|x)\sim\mathcal{N}(w^{T}x, \sigma)$. 使用最大似然方法求$w$即最大化：

$$P(D|w) = \prod_{x}\mathcal{N}(w^{T}x, \sigma),$$ 取对数再去掉常数项即：

$$-\frac{1}{\sigma}\sum_{x}(t_{x} - w^{T}x)^{2},$$
由此可见使用最大似然估计线性回归模型的参数 $w$就是在最小化均方误差。

贝叶斯角度的线性回归模型

PRML这本书的主视角是贝叶斯角度，贝叶斯角度的线性回归和统计角度的线性回归有何不同呢？这两个角度的线性回归都是假定数据由$t = w^{T}x +\epsilon$产生，但是统计角度的线性回归认为 $w$是固定的，当我们有了一份观测数据后，我们就可以用这些数据去估计出一个$w$的值。实时上在大多数的实际任务中，我们也确实只需要一个 $w$的值，就可以得到$P(t|x)$了。
但是贝叶斯角度中， $w$也是一个随机变量，它也服从一个概率分布。我们通过数据集并不能确定出$w$的值，而只能确定一个 $w$分布情况。如果认为$w$也是随机变量，那么根据贝叶斯公式，我们有关于 $w$的后验分布：

$$p(w|D) = \frac{p(D|w)p(w)}{\int p(D|w)p(w)dw}.$$
$p(D|w)$是上面似然函数， $p(w)$是 $w$的先验分布(第二章讲了如何构造共轭先验)。分母是$P(D)$,是关于 $w$的常数。有了关于$w$的后验分布，我们同样可以对 $w$做一个点估计，求出一个$w$的值。点估计的方法可以是求使得 $p(w|D)$最大的 $w$的值，这种估计方法称为最大后验方法。 当然，我们也可以用$p(w|D)$的期望作为 $w$的估计值。但是当我们使用高斯先验时，$P(w|D)$服从高斯分布，这两个值恰好是相同的，即高斯分布的均值。

上面介绍的最大后验方法，仍然是在点估计参数$w$,本质上与最大似然加约束项的方法等价，所以在贝叶斯机器学习中，又被称为poor man’s bayesian。
更加完备的贝叶斯方法是fully bayesian和empirical bayesian. 这两种方法的思想是，我们在有了关于$w$的后验分布后，在做回归预测时，并不直接带入一个$w$的值，而是使用$w$的概率，fully bayesian用公式表达就是:

$$p(t|x, D) = \int \int \int p(t|x, w, \sigma)p(w|D, \alpha, \sigma) p(\alpha, \sigma|D) dwd\alpha\sigma$$
然而这样对参数、超参数共同积分的方法往往是没有解析结果的，所以我们可以使用稍微弱化一些的方法：empirical bayesian，在书中称为evidence approximation， 又称为type 2 marignal likelihood. 这种方法先对超参数进行点估计，然后将估计出的超参数直接带入fully bayesian的公式中。如果我们假定 $p(\alpha, \sigma|D)$是一个类似脉冲的概率分布，即所有的概率集中在一个点 $(\hat\alpha, \hat\sigma)$上，那么:
$$p(t|x,D) = p(t|x, D, \hat\alpha, \hat\sigma) = \int p(t|x, w, \hat\sigma)p(w|D, \hat\alpha, \hat\sigma) dw,$$
即我们将估计好的 $(\hat\alpha, \hat\sigma)$带入到公式中，直接得到预测模型。估计超参数的方法同样是最大化超参数的后验概率：
$$p(\alpha, \sigma|D) \propto p(D|\alpha, \sigma) p(\alpha, \sigma),$$
不过，如果我们假设超参数的先验概率分布 $p(\alpha, \sigma)$非常平坦，那么最大后验估计等同于最大化 $p(D|\alpha, \sigma)$, 这个概率和统计方法中的最大化似然函数 $P(D|w)$是不是很像？区别在于，最大似然是数据集在参数 $w$下观测到条件概率，而$p(D|\alpha, \sigma)$是数据集在超参数 $(\alpha, \sigma)$下观测到的条件概率。故这个概率被称为marginal likelihood. 写出这个概率的表达式：
$$p(D|\alpha, \sigma) = \int p(D|w, \sigma) p(w|\alpha)dw$$
对 $\alpha, \sigma$求导，求出极值点，即为我们对超参数的点估计。