Linear Regression with One Variable单变量线性回归
Model Respresentation模型描述
监督学习算法是如何工作的？
上述流程是监督学习算法的工作方式，我们需要将训练集的一些数值比如房屋大小喂给学习算法，然后输出一个函数，而这个函数用 h h h表示。 h h h表示hypothesis假设，是一个函数，输入是训练集一些数值比如房子大小，输出一个预估的房子价格， h h h实际上时从输入到输出的映射。那我们应该如何表达 h h h？
一种可能的表达方式为： h θ ( x ) = θ 0 + θ 1 ∗ x h_{\theta}(x)=\theta_{0}+\theta_{1}*x hθ(x)=θ0+θ1∗x，因为只含有一个特征/输入变量，因此这样的问题叫作单变量线性回归问题。
线性回归（Linear regression） 的假设函数h，其实就是构建了从x到y的映射：
h
θ
(
x
)
=
θ
0
+
θ
1
∗
x
h_{\theta}(x)=\theta_{0}+\theta_{1}*x
hθ(x)=θ0+θ1∗x
Cost Function代价函数
在线性回归中我们举个预测房价的例子，现在我们有这么个训练集和假设函数：
其中 m m m代表着训练样本的数量， θ i \theta_{i} θi代表模型参数。那么我们应该如何为我们的模型选择合适的两个参数 θ 0 \theta_{0} θ0和 θ 1 \theta_{1} θ1呢？
上图是选择不同模型参数的例子。我们需要做的就是选择合适的 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1来让假设函数 h h h表示的直线尽量地与下图这些数据点进行很好的拟合——使得 h θ ( x ) h_{\theta}(x) hθ(x)尽可能接近训练集样本 ( x , y ) (x,y) (x,y)。这个事实上在Machine Learning中标准的定义就是在线性回归中要解决的最小化问题。
即使Cost Function代价函数 J ( θ 0 , θ 1 ) = 1 2 m ∑ i = 1 m ( h θ ( x ) − y ) 2 J(\theta_0,\theta_1)=\frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x)-y)^2 J(θ0,θ1)=2m1∑i=1m(hθ(x)−y)2最小，这个代价函数也被称为Squared Error Function平方误差函数或者有时叫Squared Error Cost Function平方误差代价函数。
我们之所以要求出 误差的平方和，是因为误差平方代价函数，对于大多数问题，特别是回归问题，都是一个合理的选择，还有其他的代价函数也能很好地发挥作用，但是平方误差代价函数可能是解决回归问题最常用的手段。
几个直观的例子
让我们来简化一下上述的代价函数：
然后我们来取一下不同 θ \theta θ的假设函数和代价函数的图像：
我们还可以利用等高线图或者等高图像来直观感受。
我们不希望编个程序把这些点画出来，然后人工的方法来读出这些点的数值，这很明显不是一个好办法。我们会遇到更复杂、更高维度、更多参数的情况，而这些情况是很难画出图的，因此更无法将其可视化，因此我们真正需要的是编写程序来找出这些最小化代价函数的 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1的值。有没有一种算法能够自动找出能使代价函数 J J J最小化的 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1的值呢？
Gradient Descent梯度下降
Gradient Descent梯度下降是一个用来求函数最小值的算法，我们将使用梯度下降算法来求出代价函数 J ( θ 0 , θ 1 ) J(\theta_0, \theta_1) J(θ0,θ1) 的最小值。梯度下降是很常用的算法，它不仅被用在线性回归上，还被广泛应用于机器学习的众多领域。
梯度下降背后的思想是：开始时我们随机选择一个参数的组合 ( θ 0 , θ 1 , … , θ n ) (\theta_0,\theta_1,\dots,\theta_n) (θ0,θ1,…,θn)，计算代价函数，然后我们寻找下一个能让代价函数值下降最多的参数组合。我们持续这么做直到到 到一个局部最小值，因为我们并没有尝试完所有的参数组合，所以不能确 定我们得到的局部最小值是否便是全局最小值，选择不同的初始参数组合，可能会找到不同的局部最小值。
想象一下你正站立在山的这一点上，站立在你想象的公园这座红色山上，在梯度下降算法中，我们要做的就是旋转 360 度，看看我们的周围，并问自己要在某个方向上，用小碎步尽快下山。这些小碎步需要朝什么方向？如果我们站在山坡上的这一点，你看一下周围，你会发现最佳的下山方向，你再看看周围，然后再一次想想，我应该从什么方向迈着小碎步下山？然后你按照自己的判断又迈出一步，重复上面的步骤，从这个新的点，你环顾四周，并决定从什么方向将会最快下山，然后又迈进了一小步，并依此类推，直到你接近局部最低点的位置。
起始点的不同会带来完全不同的局部最优解。
数学定义
其中的 α \alpha α 是learning rate学习率。它用来控制梯度下降时我们迈出多大的步子， α \alpha α越大，我们梯度下降就越迅速。
还有一个细节，梯度下降中，当 j = 0 j=0 j=0 和 j = 1 j=1 j=1时，我们需要更新 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1 ，因为此时的微分项 α ∂ ∂ θ j J ( θ 0 , θ 1 ) \alpha\frac{\partial}{\partial\theta_j}J(\theta_0,\theta_1) α∂θj∂J(θ0,θ1)将会改变。实现梯度下降算法的微妙之处是， 在这个表达式中，如果要更新这个等式，我们需要同时更新 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1，我的意思是在这个等式中，我们要像上述方式同步更新，而非下述方式：
直观理解
上述是对导数项 α ∂ ∂ θ j J ( θ 0 , θ 1 ) \alpha\frac{\partial}{\partial\theta_j}J(\theta_0,\theta_1) α∂θj∂J(θ0,θ1)的直观解释。求导的目的，从几何上看，就是取上述图像上的点的切线，这条直线的斜率正好是这个三角形的高度除以水平长度。当其导数为正时，得到的 θ \theta θ更小，从几何上看代价函数取值会更小；相反，当其导数为负时，得到的 θ \theta θ更大，从几何上看代价函数取值也会更小。
那么学习率 α \alpha α取值大小会有什么样的影响？
如果 α \alpha α太小了，即学习速率太小，结果就是只能一点点地挪动，去努力接近最低点，这样就需要很多步才能到达最低点。
如果 α \alpha α太大，那么梯度下降法可能会越过最低点，甚至可能无法收敛，下一次迭代又移动了一大步，越过一次，又越过一次，一次次越过最低点，直到我们发现实际上离最低点越来越远。所以，如果𝑎太大，它会导致无法收敛，甚至发散。
那么，一个更值得思考的问题是，如果我们一开始就把 θ \theta θ取值放在一个局部的最低点，下一步梯度下降将会发生什么？
假设我们将 θ \theta θ初始化在局部最低点，它已经在一个局部的最优处或局部最低点。 结果是局部最优点的导数将等于零，因为它是那条切线的斜率。这意味着已经在局部最优点，它使得 θ \theta θ不再改变，也就是新的 θ \theta θ等于原来的 θ \theta θ，因此，如果参数已经处于局部最低点，那么梯度下降法更新其实什么都没做，它不会改变参数的值。这也解释了为什么即使学习速率𝑎保持不变时，梯度下降也可以收敛到局部最低点。
举个例子解释一下。
我们想找到它的最小值，首先初始化我们的梯度下降算法，在那个红点初始化，如果我们更新一步梯度下降，也许它会带我到这个点，因为这个点的导数是相当陡的。现在，在这个绿色的点，如果我们再更新一步，会发现我们的导数，也即斜率，是没那么陡的。随着我们接近最低点，我们的导数越来越接近零，所以，梯度下降一步后，新的导数会变小一点点。然后我们想再梯度下降一步，在这个绿点，我们自然会用一个稍微跟刚才在那个品红点时比，再小一点的一步，到了新的红色点，更接近全局最低点了，因此这点的导数会比在绿点时更小。所以，我们再进行一步梯度下降时，我的导数项是更小的， θ \theta θ更新的幅度就会更小。所以随着梯度下降法的运行，我们移动的幅度会自动变得越来越小，直到最终移动幅度非常小，已经收敛到局部极小值。
回顾一下，在梯度下降法中，当我们接近局部最低点时，梯度下降法会自动采取更小的幅度，这是因为当我们接近局部最低点时，很显然在局部最低时导数等于零，所以当我们接 近局部最低时，导数值会自动变得越来越小，所以梯度下降将自动采取较小的幅度，这就是梯度下降的做法。所以实际上没有必要再另外减小 α \alpha α。
这就是梯度下降算法，我们可以用它来最小化任何代价函数 J J J，不只是线性回归中的代价函数。
Gradient Descent For Linear Regression梯度下降的线性回归
这是梯度下降算法和线性回归算法的比较图：
我们如果想把梯队下降算法应用在线性回归算法当中，即最小化平方差代价函数，关键在于求出代价函数的导数，即：
α ∂ ∂ θ j J ( θ 0 , θ 1 ) = ∂ ∂ θ j 1 2 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 \alpha\frac{\partial}{\partial\theta_j}J(\theta_0,\theta_1)= \frac{\partial}{\partial\theta_j} \frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2 α∂θj∂J(θ0,θ1)=∂θj∂2m1i=1∑m(hθ(x(i))−y(i))2
化简一下，得到：
α
∂
∂
θ
j
J
(
θ
0
,
θ
1
)
=
∂
∂
θ
j
1
2
m
∑
i
=
1
m
(
θ
0
+
θ
1
x
(
i
)
−
y
(
i
)
)
2
\alpha\frac{\partial}{\partial\theta_j}J(\theta_0,\theta_1)= \frac{\partial}{\partial\theta_j} \frac{1}{2m}\sum_{i=1}^{m}(\theta_0+\theta_1x^{(i)}-y^{(i)})^2
α∂θj∂J(θ0,θ1)=∂θj∂2m1i=1∑m(θ0+θ1x(i)−y(i))2
当
j
=
0
j=0
j=0和
j
=
1
j=1
j=1时的两种特殊情况：
α
∂
∂
θ
0
J
(
θ
0
,
θ
1
)
=
1
m
∑
i
=
1
m
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
j
=
0
α
∂
∂
θ
1
J
(
θ
0
,
θ
1
)
=
1
m
∑
i
=
1
m
(
(
h
θ
(
x
(
i
)
)
−
y
(
i
)
)
2
⋅
x
(
i
)
)
j
=
1
\begin{aligned} \alpha\frac{\partial}{\partial\theta_0}J(\theta_0,\theta_1)= \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2 \qquad j=0 \\ \alpha\frac{\partial}{\partial\theta_1}J(\theta_0,\theta_1)= \frac{1}{m}\sum_{i=1}^{m}((h_{\theta}(x^{(i)})-y^{(i)})^2\cdot x^{(i)}) \qquad j=1 \end{aligned}
α∂θ0∂J(θ0,θ1)=m1i=1∑m(hθ(x(i))−y(i))2j=0α∂θ1∂J(θ0,θ1)=m1i=1∑m((hθ(x(i))−y(i))2⋅x(i))j=1
然后我们的线性回归算法可以改写成：
之前我们提到，使用梯度下降时，会遇到一个问题——容易陷入局部最优：
但是线性回归的代价函数一般还是这样一个Convex Function凸函数：
注意：国内外对凹凸函数的翻译不同，我们不用去细究，国外以convex的V和concave的CAVE形状象形，而国内以凹和凸象形。
这样的函数没有局部最优解，只有一个全局最优，当计算这种代价函数的梯度下降时，只要是使用线性回归，它总是会收敛到全局最优，而没有其他的局部最优解。
我们刚刚学习的算法有时也被称为Batch Gradient Descent批量梯度下降。Batch指的是梯度下降的每一步我们都用的是所有的训练样本。我们在计算微分求导时，我们需要进行求和运算，而在每一个单独的梯度下降中，我们都需要这个微分项。
批量梯度下降法这个名字说明了我们需要考虑所有这一"批"训练样本，而事实上，有时也有其他类型的梯度下降法，不是这种"批量"型的，不考虑整个的训练集，而是每次只关注训练集中的一些小的子集。
扫一扫
3065
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
