机器学习-线性回归
定义
- 线性模型描述的了一个(或者多个)自变量对另一个因变量的影响是成简单的线性比例。
- 回归就是找到一个函数,通过输入特征输出一个数值。
示例
1.股市预测
- 输入:过去十年的股市变动、新闻资讯、公司财报等。
- 输出:预测明天股市的平均值
2.商品推荐
- 输入:过去十年的股市变动、新闻资讯、公司财报等。
- 输出:预测明天股市的平均值
模型步骤
- 第一步:模型假设,选择模型框架(线性模型)
- 第二步:模型评估,如何判断众多模型的好坏(损失函数)
- 第三步:模型优化,如何筛选最优的模型(梯度下降)
第一步:模型假设-线性模型
一元线性模型(单个特征)
以一个特征 x c p x c p x_{cp}x_ {cp} xcpxcp为例,线性模型假设 y = b + w ⋅ x c p y = b + w·x_{cp} y=b+w⋅xcp所以 w和 b可以猜测很多模型: f 1 : y = 10.0 + 9.0 ⋅ x c p f 1 :y=10.0+9.0⋅x _{cp} f1:y=10.0+9.0⋅xcp f 2 : y = 9.8 + 9.2 ⋅ x c p f 2:y=9.8+9.2⋅x_{ cp} f2:y=9.8+9.2⋅xcp f 3 : y = − 0.8 − 1.2 ⋅ x c p f 3 :y=−0.8−1.2⋅x _{cp} f3:y=−0.8−1.2⋅xcp . . . ... ...虽然可以做出很多假设,但在这个例子中,显然 f 3 : y = − 0.8 − 1.2 ⋅ x c p f_3: y = - 0.8 - 1.2·x_{cp} f3:y=−0.8−1.2⋅xcp的假设是不合理的,不能进化后CP值是个负值吧~~
多元线性模型(多个特征)
在实际应用中,输入特征肯定不止
x
c
p
x_{cp}
xcp这一个。例如,进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)等,特征会有很多。
所以我们假设 线性模型 Linear model:
y
=
b
+
∑
w
i
x
i
y=b+∑w_{i}x_{i}
y=b+∑wixi
- x i x _{i} xi:就是各种特征(fetrure) x c p , x h p , x w , x h , ⋅ ⋅ ⋅ x_{cp},x_{hp},x_w,x_h,··· xcp,xhp,xw,xh,⋅⋅⋅
- w i w_i wi:各个特征的权重 w c p , w h p , w w , w h , ⋅ ⋅ w_{cp},w_{hp},w_w,w_h,·· wcp,whp,ww,wh,⋅⋅
- b:偏移量
第二步:模型评估-损失函数
收集和查看训练数据(单个特征)
这里定义
x
1
x^1
x1是进化前的CP值,
y
^
1
\hat{y}^1
y^1进化后的CP值,
^
\hat{ }
^所代表的是真实值
将10组原始数据在二维图中展示,图中的每一个点
(
x
c
p
n
,
y
^
n
)
(x_{cp}^n,\hat{y}^n)
(xcpn,y^n)对应着 进化前的CP值 和 进化后的CP值。
如何判断众多模型的好坏
有了这些真实的数据,那我们怎么衡量模型的好坏呢?从数学的角度来讲,我们使用距离。求【进化后的CP值】与【模型预测的CP值】差,来判定模型的好坏。也就是使用损失函数(Loss function) 来衡量模型的好坏,统计10组原始数据 ( y ^ n − f ( x c p n ) ) 2 \left ( \hat{y}^n - f(x_{cp}^n) \right )^2 (y^n−f(xcpn))2的和,和越小模型越好。如下图所示:
第三步:模型优化-梯度下降
如何筛选最优的模型(参数w,b)
已知损失函数是 L ( w , b ) = ∑ n = 1 10 ( y ^ n − ( b + w ⋅ x c p ) ) 2 L(w,b)= \sum_{n=1}^{10}\left ( \hat{y}^n - (b + w·x_{cp}) \right )^2 L(w,b)=∑n=110(y^n−(b+w⋅xcp))2 ,需要找到一个令结果最小的 f ∗ f* f∗ ,在实际的场景中,我们遇到的参数肯定不止 w, b。先从最简单的只有一个参数w入手,定义 w ∗ = a r g min x L ( w ) w^* = arg\ \underset{x}{\operatorname{\min}} L(w) w∗=arg xminL(w)
首先在这里引入一个概念 学习率 :移动的步长,如下图中
η
\eta
η
- 步骤1:随机选取一个 w 0 w^0 w0
- 步骤2:计算微分,也就是当前的斜率,根据斜率来判定移动的方向
- 大于0向右移动(增加w)
- 小于0向左移动(减少w)
- 步骤3:根据学习率移动 重复步骤2和步骤3,直到找到最低点