利用梯度下降法实现线性回归的算法及matlab实现_20170515
PAGE \* MERGEFORMAT18
利用梯度下降法实现线性回归的算法及matlab实现
线性回归算法概述
线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个线性函数,然后测试这个函数训练的好不好(即此函数是否足够拟合训练集数据),挑选出最好的函数(cost function最小)即可;
注意:
(1)因为是线性回归,所以学习到的函数为线性函数,即直线函数;
(2)线性回归可分为单变量线性回归和多变量线性回归;对于单变量线性回归而言,只有一个输入变量x;
单变量线性回归
我们能够给出单变量线性回归的模型:
?
我们常称x为feature,h(x)为hypothesis;上述模型中的θ0和θ1在代码中分别用theta0和theta1表示。
从上面“方法”中,我们肯定有一个疑问,怎么样能够看出线性函数拟合的好不好呢?我们需要使用到Cost Function(代价函数),代价函数越小,说明线性回归地越好(和训练集拟合地越好),当然最小就是0,即完全拟合。cost Function的内部构造如下面公式所述:?
其中:
表示向量x中的第i个元素;
表示向量y中的第i个元素;
表示已知的假设函数;
m为训练集的数量;
虽然给定一个函数,我们能够根据cost function知道这个函数拟合的好不好,但是毕竟函数有这么多,总不可能一个一个试吧?因此我们引出了梯度下降:能够找出cost function函数的最小值;
梯度下降原理:将函数比作一座山,我们站在某个山坡上,往四周看,从哪个方向向下走一小步,能够下降的最快;当然解决问题的方法有很多,梯度下降只是其中一个,还有一种方法叫Normal Equation;
方法:
(1)先确定向下一步的步伐大小,我们称为Learning rate (alpha);
(2)任意给定一个初始值:(用theta0和theta1表示);
(3)确定一个向下的方向,并向下走预先规定的步伐,并更新;
(4)当下降的高度小于某个定义的值,则停止下降;
算法:
特点:
(1)初始点不同,获得的最小值也不同,因此梯度下降求得的只是局部最小值;
(2)越接近最小值时,下降速度越慢;
梯度下降能够求出一个函数的最小值;
线性回归需要使得cost function的最小;
因此我们能够对cost function运用梯度下降,即将梯度下降和线性回归进行整合,如下图所示:
上式中右边的公式推导过程如下:
?
?
?
?
从上面的推导中可以看出,要想满足梯度下降的条件,则(hθx
梯度下降是通过不停的迭代,而我们比较关注迭代的次数,因为这关系到梯度下降的执行速度,为了减少迭代次数,因此引入了Feature Scaling。
Feature Scaling
此种方法应用于梯度下降,为了加快梯度下降的执行速度;
思想:将各个feature的值标准化,使得取值范围大致都在-1<=x<=1之间;
常用的方法是Mean Normalization( HYPERLINK "/link?url=ThktDXSbr_6ImNeBIkqXYh8j1Id7Q5aY0nCdtuVattTZruC1XVfrYpPbtOhFZFmKZZeBA6lPLXBsGqDkHsVNnbJgedASMAJQV6e8G4olZBW&wd=&eqid=d35e424e00005a4600000005591941c7" \t "_blank" 均值归一化处理)
或者:
[X-mean(X)]/std(X);
收获汇总
学习速率的大小对于系统是否收敛有决定性的影响。如果学习速率太大,那么可能导致系统震荡发撒;如果学习速率太小,那么可能导致系统收敛速度变慢。
根据给定数据架设预测函数h(x)
计算代价函数J
计算各参数偏导
更新参数
重复2~4直到代价函数跟新的步长小于设定值或者是重复次数达到预设值。
为了在相同学习速率的前提下加快相同收敛,可采用训练数据归一化的方法来对样本数据进行预处理。采用均值 HYPERLINK "/link?url=ThktDXSbr_6ImNeBIkqXYh8j1Id7Q5aY0nCdtuVattTZruC1XVfrYpPbtOhFZFmKZZeBA6lPLXBsGqDkHsVNnbJgedASMAJQV6e8G4olZBW&wd=&eqid=d35e424e00005a4600000005591941c7" \t "_blank" 均值归一化处理后,缩小了原来数据的变化幅度,从而可极大地提高学习速率,从而提高了梯度下降的执行速度。在第四部分的matlab代码中,对输入值向量进行归一化处理之后,将学习速率从0.01提高到1.9,从而