机器学习一：Regression回归算法

1.什么是回归？

回归算法输出一个标量，例如：股票预测，预测明天股价；自动驾驶，方向盘的角度；推荐系统，预测购买的概率

2. 实例：

预测数码宝贝进化后的战力值（CP）

Setup1：设计Model

假设战力值和特征之间存在线性关系：y:进化后的战力值，x：进化前的战力值，w：特征值，b：战力补偿值，
一元一次方程：仅仅考虑cp特征，即一元线性关系
y = b + w * x
由于存在多个特征值： y = b + w * x => y = b + Σw*x

Setup2：Training Model

假设有10个Training Data，

Setup3：确定参数w和b

函数 y = b + Σw*x中b是一个固定的常量，对我们的预测结果并无影响，so 预测结果主要受特征值w的影响，我们如何求得最合适的w值？？？？

Setup4： Loss Function

Loss Function：损失函数，是Test Data的实际值与预测值差的平方和，这里的x为常量，而w特征值为变量，当loss function值最小时，预测值与实际值的差异最小，所以我们求w的最优值，实际在求当w为多少时，loss fuction的值最小，这是一个关于w的线性方程。我们通过Gradient Descent求解Loss Function

Setup5.Gradient Descent：梯度下降法

知识点：偏微分
梯度下降法分为Batch gradient descent（BGD：批处理梯度下降法），Stochastic Gradient Descent（SGD：随机梯度下降法）和Mini-batch gradient descent（Mini-batch梯度下降法）

什么是梯度下降法？

我们随机取取一个点，求解该点的微分值，即为该点的斜率，根据该点微分值，选择比该点更优的值应该在该点的左侧还是右侧，选择方向（与该点的斜率反方向）
我们现在只知道在w0上应该增加还是减小，但是增加减小多少，我们不知道。在这里提到一个η参数，如果你了解spark mllib经常看到学习效率这个参数，η就是所谓的学习效率，η如何确定我们稍后再讲解，我们现在只需要知道η是决定在上一个w应该增加或者减小多少的关键参数

多个特征w,b，同理

公式推导

Setup6：判断模型的好坏

通过均差值来判断
均差：预测值与实际值的差的和/数据个数


test data算出的均差一般要比training data的均差大

3.设计模型优化

特征补偿

一元二次：元：表示特征种类

一元三次

一元四次

各个model的对比

隐藏特征，例如物种等

除了显性特征，隐性特征也会影响预测结果，不同的物种战力值的预测函数可能也不一样

其他显性特征，如胖瘦w，高低h等

4.模型优化

采用不同的梯度下降法优化

Batch gradient descent(BGD)、Mini-batch gradient descent(BGD) 和 stochastic gradient descent
BGD
Batch gradient descent 就是一次迭代训练所有样本(X,Y)组成loss function，就这样不停的迭代
SGD
为了加快收敛速度，并且解决大数据量无法一次性塞入内存（显存）的问题，stochastic gradient descent（SGD）就被提出来了，SGD的思想是每次只训练一个样本(X,Y)组成loss function去更新参数W
mini-batch gradient descent 是batch gradient descent和stochastic gradient descent的折中方案，就是mini-batch gradient descent每次用一部分样本来更新参数

过拟合和欠拟合

模型越复杂，越拟合training data（预测值和实际值的误差越小），但是有的模型就是因为过于拟合training data，对test data反而误差会更大，这就是所谓的过拟合

如何解决过拟合问题：Regularization正则化

所谓正则化就是loss function后面加上λ乘以W平方的和

相当于将loss function关于w的图像变得更加平滑，即y受x的特征影响变小

learning rates学习效率η优化

我们可以想象到，当我们增加或者减小w值时，跨度交大，可能会错过最小的loss function 值，mode的最优参数w值.但是跨度太小，迭代次数太多，影响效率

Vanilla Gradient descent
思路: 总结较大的一阶导数意味着远离最小值,随着迭代次数的增加，一阶导数越来越小，我们需要减小learning rates

Vanilla Gradient descent，自动调整learning rates的一种方法，思路就是随着迭代次数t的增大，减小learning rates

Adagrad方法调节learning rates

较大的一阶导数意味着远离最小值，这仅仅针对一维函数成立，当多维函数（多个参数）时是否成立？？？显然它是不成立的

帮助理解一：

仅仅考虑迭代次数是不够的，当loss function是一条不怎么平滑的曲线的时候多个特征变量，斜率由小变大，此时我们应该适当的增大learning rates，同理斜率由大变小，此时说明离最优解不远了，我们应该的减小learning rates。





帮助理解二：
两维函数对应的每一个一维关系是二次方程

loss function二次方程，什么时候最小？？？
最佳学习效率就是

由于当函数较为复杂并且一维函数没有二阶微分，所以为了普遍适用，统一为上面的公式
虽然分母与二次微分不相等，但是都能反映梯度变化的快慢

优化：特征缩放

也是解决过拟合的一种方法，不过这是针对某些特征过拟合的一种方法，而正则化数针对所有特征