Machine Learning --- Linear regression & Rige & Robust regression & Lasso

一、Least squares最小二乘回归（高斯似然+均匀先验）

因为先验是均匀分布，因此求最小二乘回归即求高斯最大似然。

在泛化的线性模型里，x为多项式基：

高斯似然函数为：

让似然函数最大，即令残差平方和RSS最小，RSS/N即为均方误差MSE。-log似然（NLL）对w求偏导等于0，得：

 

*注：最小二乘回归计算方法

1.数值计算（有解析解，精确，但速度慢）

a. QR分解：稳定

b. SVD奇异值分解（广义的特征值分解）

SVD分解，得右奇异向量：

奇异值：

左奇异向量：

最小二乘计算结果：

2.梯度下降法（有数值解，速度快。利用所有样本，也称批处理梯度下降）

3.随机梯度下降法（SGD，每次只用一个样本，速度更快，用于在线学习）

 

二、Rige岭回归（高斯似然+高斯先验（L2正则））

先验：

似然：

后验：

后验函数对w求偏导等于0得：

，其中：

*注：岭回归计算方法

1.解析解

a. QR分解

，其中

b. SVD分解

SVD与主成分的关系：特征值越大，方差越大。

 

三、Robust regression鲁棒线性回归（Laplace/Student似然+均匀先验）

因为先验服从均匀分布，所以求鲁棒线性回归即求Laplace/Student最大似然。在heavy tail（奇异点较多）情况下用鲁棒线性回归，因为Laplace/Student分布比高斯分布更鲁棒。

似然函数为：

由于零点不可微，所以求解析解困难，无法使用梯度下降法。引入Huber损失函数解决此问题：

 

四、Lasso回归（Least absolute shrinkage and selection operator，高斯似然+Laplace先验）

Laplace先验除了加罚项外，还有特征选择的作用。因为加高斯先验，w绝大多数不为0；而Laplace先验使w大多数为0，降低了模型复杂度的同时选择了特征，如下图：

Lasso目标：最小化损失函数

零点不可微：引入子梯度。如f(x)=|x|，其子梯度为：

可微项梯度：

，，

目标函数子梯度为：

根据Cj的不同，可分为下面三种情况

综上，对于给定的lamda，最佳权重为：

，

软阈值：设置小权重为0同时缩小其他所有权重。

硬阈值：设置小权重为0但不缩放其他权重。

 

*总结：

如果输入正交：即X'X=I，则RSS为：

最小二乘回归的解为：

岭回归的解为：

Lasso的解为：

 

转载于:https://www.cnblogs.com/jizhiyuan/p/3420602.html