3. 机器学习中为什么需要梯度下降?梯度下降算法缺点?_一起学习西瓜书2

今天的这两章比较枯燥！线性模型和决策树！其实机器学习说白了就是回归和分类。

机器学习之线性模型

• • 1.一元线性回归模型

  • 2.多元线性回归模型

  • 3.逻辑回归模型(对数几率回归)

  • Logistic回归模型的实践

线性回归也就是可以用一条直线来拟合一个点集。对于常用的逻辑回归模型，利用sklearn机器学习包实现对MNIST公共数据集的简单分类应用。机器学习无非是回归和分类的问题，其目的就是学习一个数学函数，通过该数学函数输入得到输出。线性模型主要有以下三大类，也是本文要总结的三大类，其实只有前两者是用来做回归的，而最后一个是做分类的：

• 一元线性回归模型(一个自变量和一个因变量)

• 多元线性回归模型(多个因变量)

• 对数几率回归模型(逻辑回归模型，用来做分类)

1.一元线性回归模型

这个其实很好理解，直接看西瓜书给出的公式就知道：
目的很简单，就是给定样本输入x求解输出f(x),而线性回归模型的主要工作就是学得参数w和b，且使得损失函数最小，也就是说在预测过程中，我们需要使预测值和真实值之间的误差最小。求解参数的主要思路步骤：

1. 由最小二乘法导出损失函数E(w,b)，也就是均方误差最小化求解。损失函数定义如下：

2. 

3. 证损失函数是凸函数，根据二元函数凹凸性判定定理证明即可，也就是分别求出关于w和b的二阶偏导值，利用AC-B^2>=0来判断其为凸函数。

4. 分别对w和b求解一阶偏导，并令其为0，解出的w和b就是我们要求得的参数能使得损失函数值最小，由此可以推导出西瓜书的等式：

5. 其实最后一步w参数的向量化目的是方便编程，在实际的应用中，给出的数据样本值x一般是一个序列，向量化有助于python利用矩阵工具计算相应的参数值。

2.多元线性回归模型

多元回归模型的推导思路和一元是一样的，但是不同的是需要把w和b统一为向量的形式(w;b),西瓜书中直接给出了损失函数让人看不懂：
实际的推导如下*(因为公式不好敲，这里就贴个图片了哈，谅解！！！)*
现在最关键的一步就是损失函数的求解，求解最小值，这里讲述两种方式，第一种就是和一元的思路差不多，涉及到矩阵的求导和微分(牛顿法/拟牛顿法)，第二种也是值得推荐的一种常用的方法，梯度下降法，其不只是使用在一元/多元线性回归上，其它机器学习的模型也常用梯度下降法来优化损失函数，求解最优参数解。现在分别大致描述下两种方法的思路。

1. 西瓜书的思路属于第一种，判断凹凸性，也就是Hessian矩阵正定，则为凸函数。Hessian矩阵其实就是在梯度(一阶偏导数存在) 的类似基础上，求解二阶偏导数存在。推到过程如下：2. 梯度下降法它是用迭代的方法求解目标函数得到最优解，是在cost function(成本函数)的基础上，利用梯度迭代求出局部最优解。
对于线性回归模型：
损失函数为：

给一个初始值，使损失函数逐次变小，使每次都往梯度下降的方向改变：表示下降速度。
为了求偏导数，当只有一个样本时，即；
当有多个训练样本时，下降梯度算法即为：
由于每次迭代都需要计算所有样本的残差并加和，因此此方法也叫做批下降梯度法(batch gradient descent)，当有大规模数据时，此方法不太适合，可采取它得一个变种，即每次更新权重时，不是计算所有的样本，而是选取其中一个样本进行计算梯度，这个方法叫做随机下降梯度法(stochastic gradient descent)：随机下降梯度法与下降梯度法对比可能收敛更快，但是可能找不到最优点而在最优点附近徘徊。

**总结：**线性回归的优点计算简单，容易实现，缺点使无法拟合非线性数据！！！

3.逻辑回归模型(对数几率回归)

Logistic是用来分类的，是一种线性分类器。逻辑回归的表达式可以通过替代函数和广义线性模型来推导，需要记住其表达式为：
其导数形式为：
logsitc回归方法主要是用极大似然估计来学习的，所以单个样本的后验概率为：
所以，整个样本的后验概率为：
取对数，得似然函数：似然函数取得最大值即为损失函数取得最小值，也可采用梯度下降法求解参数：

**总结：**逻辑回归的优点计算简单，分类时计算很快；缺点就是容易欠拟合，准确度不高，只能处理两分类问题(在此基础上衍生出来的softmax可以用于多分类)，且必须线性可分。

机器学习之决策树

决策树由一个根节点、若干个内部节点和叶节点构成，其中，叶节点对应决策结果，其他节点(根节点、内部节点)对应属性判断规则。决策树本质上是一层一层地根据条件递归做判断。

决策树既可以应用于分类任务，也可用于回归任务，具体是用于分类任务还是回归任务，主要取决于目标变量的连续性。如果目标变量为离散变量，则为分类；如果目标变量为连续变量，则为回归。

由于对应决策过程易于可视化、可同时应用于分类和回归任务、可处理大规模数据集等优点，决策树至今仍是监督式学习中应用最广泛的模型之一。

决策树究竟是如何做判断的呢？

案例

已知100个人的身高、体重，并且知道其中有60名男性、40名女性。先需要根据词数据集构造决策树，用于仅根据身高和体重两个属性判断是每个人的性别。

根据男女身高和体重的额差异，可能会问这个人的身高是否超过170cm或者体重是否超过60kg。根据上述过程，可以绘制如下图所示的决策树。其中，图1先根据身高判断，图2先根据体重判断。

以上两种判断过程，哪一种更合理呢？也就是按什么样的特征顺序进行划分，才能找到最纯净的划分(叶节点)？这就是决策树原理中最重要的一个方面：特征属性的重要性，即找出最能区别样本数据集的属性，作为优先判断条件，从而提高决策树的纯度。

01 树的纯度与特征属性重要性

目前，用于衡量树的纯度的方法有三种，纯度的的相反面是不纯度，不纯度越低，即纯度越高。下面是衡量决策树(不)纯度的三种算法。

(1) ID3算法：使用信息增益作为分裂规则；

(2) C4.5算法：使用信息增益率作为分类规则；

(3) CART算法：使用基尼系数作为分裂规则。

●

1. ID3算法：熵、信息增益

介绍信息增益之前，首先介绍一下熵的概念，这是一个物理学概念，表示“一个系统的混乱程度”。熵越小，系统的不确定性越低，纯度越高。

●2. C4.5算法(信息增益率)

在ID3算法中，显然属性的取值越多，信息增益越大。为了避免属性取值个数的影响， C4.5算法从候选划分中找出信息增益高于平均水平的属性，再从中选出信息增益率(用信息增益除以该属性本身的固有值Intrinsic value)最高的分类作为分裂规则。

●3. 基尼系数

CART(Classification and Regression Tree)算法使用基尼系数作为分裂规则，选择Gini系数减少最快的分裂规则，最小化不纯度。CART算法既可以用分类任务，也可用于回归任务。

数据集D的基尼系数Gini(D)反映了从数据集D中随机抽取两个样本，其类别标记不一致的概率，因此Gini(D)越小，则数据集D的纯度越高。

决策树主要优缺点：

优点：

1. 可同时用于分类和回归任务，且可以处理多分类问题；

2. 不需要归一化，减少了数据预处理工作；

3. 自动筛选变量，容易解释和可视化决策过程；

4. 适合处理高维度数据。

缺点：

1. 不稳定，泛化性能差；

2. 没有考虑变量之间的相关性，每次筛选都只考虑一个变量；

3. 只能线性分割数据；

4. 本质上是贪婪算法(可能找不到最优的树)。

02 控制树的深度(剪枝)

根据决策树的原理，如果把每一个样本编号，那么将编号作为一个属性，则每个个体都可以独自分为一类，这样本质上相当于没有分类，也不能泛化到其他数据集，也就是常说的过拟合。

为了防止过拟合，需要控制决策树的广度与深度，即对决策树进行剪枝。

剪枝可分为预剪枝和后剪枝：

预剪枝，在对每一个节点包含的样本进行分类前，比较分类前后的测试集预测的精确率(precision=TP/TP+FP，即正确预测为正与全部预测为正的比率)。

预剪枝的优缺点：

优点：使得决策树的部分分支没有展开，降低了过拟合的风险，节省了训练时间；缺点：有可能出现欠拟合。

后剪枝，在完全构建成一个决策树后，在从叶节点开始，从下往上判断是否需要剪掉叶节点，将原来的内部节点变为叶节点。判断的基础仍然为测试集预测的精确率。

后剪枝的优缺点：

优点：欠拟合风险很小，泛化性能也较高；

缺点：训练时间比预剪枝长。

经过特征重要性选择和树的剪枝，我们基本可以得到一颗效果不错的决策树了。但一颗决策树虽然易于可视化和讲给老板和同事听，但准确度并不一定是最高的。为了提高决策树的精确度，可以用多棵树共同判断，即随机森林