01-Supervised learning
1. 机器学习入门
1.1 What is Machine Learning?
"Field of study that gives computers the ability to learn without being explicitly programmed. "
——Arthur Samuel (1959)
亚瑟·萨缪尔：跳棋程序编写者
常用机器学习算法：
- Supervised learning (more important)
- Unsupervised learning
1.2 Supervised learning
监督学习两大类型：
-
Regression（回归）
Predict a number
infinitely many possible outputs
-
Classification（分类）
predict categories
small number of possible outputs
1.3 Unsupervised learning
数据只有输入值x，而没有输出的标签值y，算法会在数据中找到结构，进行分类。
-
Clustering algorithm（聚类）
Group similar data points together
-
Anomaly detection（异常检测）
Find unusual data points
-
Dimensionality reduction（降维）
Compress data using fewer numbers
2. Supervised learning
2.1 单元线性回归模型
2.1.1 Linear Regression Model（线性回归模型）
线性回归模型属于监督学习模型，因为数据集中的每个数据都有确定的值，模型将根据值来进行学习。
Terminology（术语）:
Training Set: Data used to train the model
Notation:
- x x x = “input” variable / “input” feature / feature
- y y y = “output” variable / “target” feature /
- m m m = number of training examples
- ( x , y ) (x, y) (x,y) = single training example
- ( x ( i ) , y ( i ) ) (x^{(i)}, y^{(i)}) (x(i),y(i)) = i t h i^{th} ith training example
m
o
d
e
l
:
f
w
,
b
(
x
)
=
w
x
+
b
model: \quad f_{w,b}(x) = wx+b
model:fw,b(x)=wx+b
“w” means weight / slope, “b” means bias / intercept
2.1.2 Cost Function（代价函数）
显然，我们希望选取的模型能够很好的拟合训练集中的数据，这就需要一个参数来量化当前的拟合程度，这就是Cost Function。其中m表示测试集样本的总数，在公式中用于避免代价函数盲目增大，设置为2m是为了便于求导。
J
(
w
,
b
)
=
1
2
m
∑
i
=
1
m
(
y
^
(
i
)
−
y
(
i
)
)
2
=
1
2
m
∑
i
=
1
m
(
f
w
,
b
(
x
(
i
)
)
−
y
(
i
)
)
2
J(w,b) = \frac{1}{2m} \sum_{i=1}^m (\hat{y}^{(i)} - y^{(i)})^2 = \frac{1}{2m} \sum_{i=1}^m (f_{w,b}(x^{(i)}) - y^{(i)})^2
J(w,b)=2m1i=1∑m(y^(i)−y(i))2=2m1i=1∑m(fw,b(x(i))−y(i))2
可见，代价函数越大，拟合效果越差。于是，线性回归模型的目标就是找到最小的w值，使得 J ( w ) J(w) J(w)最小化；更普遍的情况是，找到最小的w和b值，使得 J ( w , b ) J(w,b) J(w,b)最小化。
在经典房价预测案例中，我们选取房屋面积作为特征，根据不同的参数可以得到下面的三维图像，纵坐标为代价函数大小，很直观的看到右图中的代价函数要更小，同时也不难看出右图的取值更好的拟合了测试集。
2.1.3 Gradient Descent（梯度下降）
有了代价函数，如何得到合适的参数值就成为了必须解决的问题。通过Gradient Descent，我们可以获得代价最小的参数w和b。
梯度下降算法广泛应用于机器学习，如线性回归模型和深度学习模型中。
在上面的曲面中，通过不断选择当前坐标坡度最大的方向，最终会到达谷底，谷底即local minima，即局部最小值。
梯度下降算法概述：
让
w
,
b
w,b
w,b以某值开始，通过不断改变
w
,
b
w,b
w,b来降低
J
(
w
,
b
)
J(w, b)
J(w,b)，直到取得或接近
J
(
w
,
b
)
J(w, b)
J(w,b)最小值，即：Repeat until convergence（重复，直到收敛）。
r
e
p
e
a
t
{
w
=
w
−
α
∂
∂
w
J
(
w
,
b
)
b
=
b
−
α
∂
∂
b
J
(
w
,
b
)
}
s
i
m
u
l
t
a
n
e
o
u
s
u
p
d
a
t
e
s
\begin{align} & repeat\{ \\ &\qquad w = w - α \frac{∂}{∂w}J(w,b) \\ &\qquad b = b - α \frac{∂}{∂b}J(w,b) \\ & \}simultaneous \quad updates \end{align}
repeat{w=w−α∂w∂J(w,b)b=b−α∂b∂J(w,b)}simultaneousupdates
α = L e a r n i n g R a t e α = Learning \ Rate α=Learning Rate，即学习率，控制梯度下降的步长；
∂ ∂ w = D e r i v a t i v e \frac{∂}{∂w} = Derivative ∂w∂=Derivative，即导数项（偏导数，Partial derivative），控制梯度下降的方向。
2.2 多元线性回归模型
2.2.1 Multiple features (variables)
很多实际情况并不止有一个特征，比如决定房价的不只有面积。对于有多个特征的线性回归模型，我们称为多元线性回归模型。
x j x_j xj = j t h j^{th} jth feature
n n n = number of features
x ⃗ ( i ) \vec{x}^{(i)} x(i) = features of i t h i^{th} ith training example
x ⃗ j ( i ) \vec{x}^{(i)}_j xj(i) = value of feature j j j in i t h i^{th} ith training example
M
o
d
e
l
:
f
w
,
b
(
x
)
=
w
1
x
1
+
w
2
x
2
+
w
3
x
3
+
w
4
x
4
+
b
Model: \quad f_{w,b}(x) = w_1x_1+w_2x_2+w_3x_3+w_4x_4+b
Model:fw,b(x)=w1x1+w2x2+w3x3+w4x4+b
进一步可以表达为：
f
w
⃗
,
b
(
x
⃗
)
=
w
⃗
⋅
x
⃗
+
b
f_{\vec{w},b}(\vec{x}) = \vec{w}·\vec{x}+b
fw,b(x)=w⋅x+b
在Python中，向量的计算可以通过调用NumPy库，实现快速且间接的运算，其中，w和x均为向量
w = np.array([1.0, 2.5, -3.3])
b = 4
x = np.array([10, 20, 30])
f = np.dot(w, x) + b
通过向量化运算，计算机同时获取向量的所有数据，并且对两向量的每个维度进行同时运算，然后调用专门的并行处理硬件求和；而左侧的for循环则是依次相乘并累加。显然，使用向量可以节省很大的时间。
2.2.2 针对多元回归的梯度下降
| Previous notation | Vector notation | |
|---|---|---|
| Parameters |
w
1
,
⋅
⋅
⋅
,
w
n
w_1,···,w_n
w1,⋅⋅⋅,wn b b b |
w
⃗
=
[
w
1
⋅
⋅
⋅
w
n
]
\vec{w}=[w_1 ··· w_n]
w=[w1⋅⋅⋅wn] b b b |
| Model | f w , b ( x ) = w 1 x 1 + w 2 x 2 + w 3 x 3 + w 4 x 4 + b f_{w,b}(x) = w_1x_1+w_2x_2+w_3x_3+w_4x_4+b fw,b(x)=w1x1+w2x2+w3x3+w4x4+b | f w ⃗ , b ( x ⃗ ) = w ⃗ ⋅ x ⃗ + b f_{\vec{w},b}(\vec{x})=\vec{w}·\vec{x}+b fw,b(x)=w⋅x+b |
| Cost function | J ( w 1 , ⋅ ⋅ ⋅ , w n , b ) J(w_1,···,w_n,b) J(w1,⋅⋅⋅,wn,b) | J ( w ⃗ , b ) J(\vec{w},b) J(w,b) |
| Gradient descent | repeat{ w j = w j − α ∂ ∂ w j J ( w 1 , ⋅ ⋅ ⋅ , w n , b ) w_j=w_j-α\frac{∂}{∂w_j}J(w_1,···,w_n,b) wj=wj−α∂wj∂J(w1,⋅⋅⋅,wn,b) b = b − α ∂ ∂ b J ( w 1 , ⋅ ⋅ ⋅ , w n , b ) b=b-α\frac{∂}{∂b}J(w_1,···,w_n,b) b=b−α∂b∂J(w1,⋅⋅⋅,wn,b) } | repeat{ w j = w j − α ∂ ∂ w j J ( w ⃗ , b ) w_j=w_j-α\frac{∂}{∂w_j}J(\vec{w},b) wj=wj−α∂wj∂J(w,b) b = b − α ∂ ∂ b J ( w ⃗ , b ) b=b-α\frac{∂}{∂b}J(\vec{w},b) b=b−α∂b∂J(w,b) } |
【梯度下降法扩展】Normal equation（正规方程法）：
正规方程法：不需要通过迭代即可求得w,b的值，同时只能用在线性回归模型中。
缺点：不适用于其他学习算法，当特征的数量极大时（如大于10000）计算速度减慢。
在实现线性回归的机器学习库中可以使用正规方程方法，但是梯度下降是寻找参数w,b的推荐方法。
2.3 线性回归的实用小技巧
2.3.1 Feature Scaling（特征缩放）
下式为房价案例的线性回归模型，
x
1
x_1
x1表示房子大小（size，单位：feet²），
x
2
x_2
x2表示卧室数量（#badrooms）
p
r
i
c
e
^
=
w
1
x
1
+
w
2
x
2
+
b
\hat{price}=w_1x_1+w_2x_2+b
price^=w1x1+w2x2+b
我们可以假设： x 1 x_1 x1范围为500-2000， x 2 x_2 x2范围为0-5，这都是现实中合理的数据范围，但是当我们给参数 w 1 , w 2 w_1,w_2 w1,w2不同的值，也会得到不同的效果，左侧数据显然不符合实际，这是因为在经典房价案例中，房屋面积的参数对结果的影响更大，而卧室数量的参数影响则较小。
观察下图中左上坐标系，点的位置由于两特征的范围原因，不利于观察；右上坐标系的等高线也不利于进行梯度下降。如果对变量进行Feature Scaling，即特征缩放，改变他们的相对范围，就会使数据分布更合理，梯度下降速度更快
那么如何进行特征缩放呢？
方法一：
对于房屋案例， x 1 x_1 x1的取值范围是500~2000，只需要进行 x 1 , s c a l e d = x 1 2000 x_{1,scaled}=\frac{x_1}{2000} x1,scaled=2000x1，就可以将之范围缩放到0.15~1
同理， x 2 x_2 x2的取值范围是0~5，只需要进行 x 2 , s c a l e d = x 2 5 x_{2,scaled}=\frac{x_2}{5} x2,scaled=5x2，就可以将之范围缩放到0~1
方法二：Mean normalization（均值归一化）
通过缩放将数据点聚集在坐标轴原点的四周（意味着有正负值），范围在-1~1之间
首先求 x 1 x_1 x1和 x 2 x_2 x2在训练集上的均值 μ 1 \mu_1 μ1和 μ 2 \mu_2 μ2
然后进行： x 1 , s c a l e d = x 1 − μ 1 2000 − 300 x_{1,scaled}=\frac{x_1-\mu_1}{2000-300} x1,scaled=2000−300x1−μ1以及 x 2 , s c a l e d = x 2 − μ 2 5 − 0 x_{2,scaled}=\frac{x_2-\mu_2}{5-0} x2,scaled=5−0x2−μ2
这样 x 1 x_1 x1被缩放到-0.18~0.82， x 2 x_2 x2则被缩放到-0.45~0.54
方法三：Z-score normalization（Z-score归一化）
需要为每一个特征进行计算标准差（standard deviation）以及均值
然后进行： x 1 , s c a l e d = x 1 − μ 1 σ 1 x_{1,scaled}=\frac{x_1-\mu_1}{\sigma_1} x1,scaled=σ1x1−μ1以及 x 2 , s c a l e d = x 2 − μ 2 σ 2 x_{2,scaled}=\frac{x_2-\mu_2}{\sigma_2} x2,scaled=σ2x2−μ2
这样 x 1 x_1 x1被缩放到-0.67~3.1， x 2 x_2 x2则被缩放到-1.6~1.9
总而言之，缩放的范围以及缩放应当选择哪个方法都没有具体的规定，但通过缩放，特征的量级应当相同，否则缩放就没有意义了，梯度下降速度也得不到提升。
2.3.2 检查梯度下降是否收敛
我们应当保证梯度下降算法正确工作。为此，可以构建一个横轴为迭代次数（# iterations），纵轴为代价 J ( w ⃗ , b ) J(\vec{w},b) J(w,b)的坐标轴，正确的图像应当是随着迭代次数增加，代价不断下降直至平缓。我们称这条曲线为学习曲线（learning curve）。
在不同的运用场景中，梯度下降的收敛速度可能有很大差异。
如何通过数学方法来确定收敛？
进行Automatic convergence test（自动收敛实验）。
例如：令 ϵ \epsilon ϵ为 1 0 − 3 10^{-3} 10−3，在一次迭代中，如果 J ( w ⃗ , b ) J(\vec{w},b) J(w,b)的下降值小于 ϵ \epsilon ϵ，我们认为梯度下降收敛。
但是选定一个合适的 ϵ \epsilon ϵ也是比较困难的，所以应当结合学习曲线，进行观察。
2.3.3 选择合适的学习率
当出现了下图中的情况时，我们认为可能是代码中有bug或者learning rate过大。这是因为当学习率过大时，w的修改也会变大，因此而造成代价不降反增。
我们可以将α设置为很小的数字，观察迭代过程中代价是否下降，如果此时依然会有波动，那就应该是代码中出现了bug。确定不存在bug后，再逐步增大α，以求更快速的梯度下降。
2.3.4 特征工程（Feature Engineering）
实际问题中的特征往往不只一个，而且我们应当为模型选择合适的特征值，并且对已有特征进行组合获得新的特征。
2.3.5 多项式回归（Polynomial Regression）
一次多项式
f
w
⃗
,
b
(
x
)
=
w
1
x
+
b
f_{\vec{w},b}(x) = w_1x+b
fw,b(x)=w1x+b
二次多项式
f
w
⃗
,
b
(
x
)
=
w
1
x
+
w
2
x
2
+
b
f_{\vec{w},b}(x) = w_1x+w_2x^2+b
fw,b(x)=w1x+w2x2+b
三次多项式
f
w
⃗
,
b
(
x
)
=
w
1
x
+
w
2
x
2
+
w
3
x
3
+
b
f_{\vec{w},b}(x) = w_1x+w_2x^2+w_3x^3+b
fw,b(x)=w1x+w2x2+w3x3+b
二次方根多项式
f
w
⃗
,
b
(
x
)
=
w
1
x
+
w
2
x
+
b
f_{\vec{w},b}(x) = w_1x+w_2\sqrt{x}+b
fw,b(x)=w1x+w2x+b
2.4 Classification（聚类）
2.4.1 Logistic Regression（逻辑回归）
【注】此部分内容在西瓜书上被写作“对数几率回归”
有很多现实问题的答案是“是”或者“否”，这样的问题我们称之为二元分类（binary classification）。对于二元分类问题，如果我们通过线性回归进行拟合，就会产生误差。
比如在恶性肿瘤分类的问题中，如果已经进行了拟合，现加入新的坐标点，就可能会出现错误分类。线性拟合显然已无法满足分类问题，我们通过逻辑回归来处理该类问题。
首先引入Sigmoid function（Sigmoid函数），也被称为logistic function（逻辑函数），显然Sigmoid函数的值域为0到1。
如果用
g
(
z
)
g(z)
g(z)来表示这个函数，那么：
g
(
z
)
=
1
1
+
e
−
z
,
0
<
g
(
z
)
<
1
g(z)=\frac{1}{1+e^{-z}},0<g(z)<1
g(z)=1+e−z1,0<g(z)<1
M
o
d
e
l
:
f
w
⃗
,
b
(
x
⃗
)
=
g
(
w
⃗
⋅
x
⃗
+
b
)
=
1
1
+
e
−
(
w
⃗
⋅
x
⃗
+
b
)
Model:f_{\vec{w},b}(\vec{x})=g(\vec{w}·\vec{x}+b)=\frac{1}{1+e^{-(\vec{w}·\vec{x}+b)}}
Model:fw,b(x)=g(w⋅x+b)=1+e−(w⋅x+b)1
在恶行肿瘤判断案例中，x即为肿瘤大小，y为是否是恶性肿瘤的二元分类，如果一位病人的肿瘤根据计算为
f
w
⃗
,
b
(
x
⃗
)
=
0.7
f_{\vec{w},b}(\vec{x})=0.7
fw,b(x)=0.7，我们就认为模型告诉我们这位病人的肿瘤有70%的概率为恶性的。
由于 P ( y = 0 ) + P ( y = 1 ) = 1 P(y=0)+P(y=1)=1 P(y=0)+P(y=1)=1，我们也可以说，这位病人的肿瘤有30%的概率为良性的。
有时会有这样的描述，这个式子表示，在给定输入特征的前提下（x为输入，w和b为参数），y等于1的概率是多少（条件概率）。
f
w
⃗
,
b
(
x
⃗
)
=
P
(
y
=
1
∣
x
⃗
;
w
⃗
,
b
)
f_{\vec{w},b}(\vec{x})=P(y=1|\vec{x};\vec{w},b)
fw,b(x)=P(y=1∣x;w,b)
2.4.2 Decision Boundary（决策边界）
根据Sigmoid函数，我们获得了新模型来描述逻辑回归模型：
f
w
⃗
,
b
(
x
⃗
)
=
g
(
w
⃗
⋅
x
⃗
+
b
)
=
1
1
+
e
−
(
w
⃗
⋅
x
⃗
+
b
)
=
P
(
y
=
1
∣
x
⃗
;
w
⃗
,
b
)
f_{\vec{w},b}(\vec{x})=g(\vec{w}·\vec{x}+b)=\frac{1}{1+e^{-(\vec{w}·\vec{x}+b)}}=P(y=1|\vec{x};\vec{w},b)
fw,b(x)=g(w⋅x+b)=1+e−(w⋅x+b)1=P(y=1∣x;w,b)
当
f
w
⃗
,
b
(
x
⃗
)
>
=
0.5
f_{\vec{w},b}(\vec{x})>=0.5
fw,b(x)>=0.5，我们认为
y
^
=
1
\hat{y}=1
y^=1；当
f
w
⃗
,
b
(
x
⃗
)
<
0.5
f_{\vec{w},b}(\vec{x})<0.5
fw,b(x)<0.5，我们认为
y
^
=
0
\hat{y}=0
y^=0。所以，什么情况下有
f
w
⃗
,
b
(
x
⃗
)
>
=
0.5
f_{\vec{w},b}(\vec{x})>=0.5
fw,b(x)>=0.5 ?
f
w
⃗
,
b
(
x
⃗
)
>
=
0.5
=
>
g
(
z
)
>
=
0.5
=
>
z
>
=
0
=
>
w
⃗
⋅
x
⃗
+
b
>
=
0
<
=
>
y
^
=
1
\begin{align} &f_{\vec{w},b}(\vec{x}) >= 0.5 \\ &=> \quad g(z) >= 0.5 \\ &=> \quad z >= 0 \\ &=> \quad \vec{w}·\vec{x} + b >= 0 \\ &<=>\quad \hat{y} = 1 \end{align}
fw,b(x)>=0.5=>g(z)>=0.5=>z>=0=>w⋅x+b>=0<=>y^=1
当 w ⃗ ⋅ x ⃗ + b = 0 \vec{w}·\vec{x}+b=0 w⋅x+b=0时，这条线就表示决策边界。下图分别为线性决策边界和非线性决策边界。
2.4.3 Cost Function
现有上述training set，应当如何选取w向量和b？
如果选取平方误差代价函数（Squared error cost function）： J ( w ⃗ , b ) = 1 m ∑ i = 1 m 1 2 ( f w ⃗ , b ( x ( i ) ) − y ( i ) ) 2 J(\vec{w},b) = \frac{1}{m} \sum_{i=1}^m \frac{1}{2}(f_{\vec{w},b}(x^{(i)}) - y^{(i)})^2 J(w,b)=m1∑i=1m21(fw,b(x(i))−y(i))2。那么线性回归模型和逻辑回归模型的代价函数图大概如下所示：
【convex】adj. 凸面的；n. 凸面
对于逻辑回归模型，平方误差代价函数显然不好，因为产生了很多局部极小值，这就使梯度下降过程中会卡在这些地方。所以应当构建一个新的函数，来让代价函数重新凸化。
我们修改一下代价函数 J ( w ⃗ , b ) J(\vec{w},b) J(w,b)的定义：
我们把函数
L
(
f
w
⃗
,
b
(
x
(
i
)
)
,
y
(
i
)
)
L(f_{\vec{w},b}(x^{(i)}) , y^{(i)})
L(fw,b(x(i)),y(i))称为单个训练例子的损失（the loss on a single training example），称之为损失函数
KaTeX parse error: Expected 'EOF', got '&' at position 29: …oss \ function:&̲ L(f_{\vec{w},b…
当 y ( i ) = 1 y^{(i)}=1 y(i)=1（即真实值为1）：
- 如果 f w ⃗ , b ( x ⃗ ( i ) ) f_{\vec{w},b}(\vec{x}^{(i)}) fw,b(x(i))趋于1（即预测值趋于1），那么损失就趋于0，说明预测很准确
- 如果 f w ⃗ , b ( x ⃗ ( i ) ) f_{\vec{w},b}(\vec{x}^{(i)}) fw,b(x(i))趋于0，那么损失就趋于无穷大
- 这就意味预测值离真实值越远，损失越大，反之越小
当 y ( i ) = 0 y^{(i)}=0 y(i)=0（即真实值为0）：
- 如果 f w ⃗ , b ( x ⃗ ( i ) ) f_{\vec{w},b}(\vec{x}^{(i)}) fw,b(x(i))趋于0（即预测值趋于0），那么损失就趋于0，说明预测很准确
- 如果 f w ⃗ , b ( x ⃗ ( i ) ) f_{\vec{w},b}(\vec{x}^{(i)}) fw,b(x(i))趋于1，那么损失就趋于无穷大
通过上文的叙述，我们归纳出针对逻辑回归的代价函数以及损失函数：
J
(
w
⃗
,
b
)
=
1
m
∑
i
=
1
m
L
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
,
y
(
i
)
)
L
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
,
y
(
i
)
)
=
{
−
l
o
g
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
)
,
i
f
y
(
i
)
=
1
−
l
o
g
(
1
−
f
w
⃗
,
b
(
x
⃗
(
i
)
)
)
,
i
f
y
(
i
)
=
0
J(\vec{w},b) = \frac{1}{m} \sum_{i=1}^m L(f_{\vec{w},b}(\vec{x}^{(i)}) , y^{(i)}) \\ \\ L(f_{\vec{w},b}(\vec{x}^{(i)}) , y^{(i)})= \begin{cases} -log(f_{\vec{w},b}(\vec{x}^{(i)}))&,if\ \ y^{(i)}=1\\ -log(1-f_{\vec{w},b}(\vec{x}^{(i)}))&,if\ \ y^{(i)}=0 \end{cases}
J(w,b)=m1i=1∑mL(fw,b(x(i)),y(i))L(fw,b(x(i)),y(i))={−log(fw,b(x(i)))−log(1−fw,b(x(i))),if y(i)=1,if y(i)=0
之前针对线性回归的代价函数为：
J
(
w
⃗
,
b
)
=
1
2
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
(
i
)
)
−
y
(
i
)
)
2
J(\vec{w},b) = \frac{1}{2m} \sum_{i=1}^m (f_{\vec{w},b}(x^{(i)}) - y^{(i)})^2
J(w,b)=2m1i=1∑m(fw,b(x(i))−y(i))2
2.4.4 Simplified Cost Function
我们可以将上节中得出的分段损失函数改写为下式，通过简单分析就可以得出新式与原式是等价的。
L
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
,
y
(
i
)
)
=
−
y
(
i
)
l
o
g
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
)
−
(
1
−
y
(
i
)
)
l
o
g
(
1
−
f
w
⃗
,
b
(
x
⃗
(
i
)
)
)
L(f_{\vec{w},b}(\vec{x}^{(i)}) , y^{(i)})= -y^{(i)}log(f_{\vec{w},b}(\vec{x}^{(i)})) -(1-y^{(i)})log(1-f_{\vec{w},b}(\vec{x}^{(i)}))
L(fw,b(x(i)),y(i))=−y(i)log(fw,b(x(i)))−(1−y(i))log(1−fw,b(x(i)))
于是简化后的代价函数就是：
J
(
w
⃗
,
b
)
=
1
m
∑
i
=
1
m
[
L
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
,
y
(
i
)
)
]
=
−
1
m
∑
i
=
1
m
[
y
(
i
)
l
o
g
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
)
+
(
1
−
y
(
i
)
)
l
o
g
(
1
−
f
w
⃗
,
b
(
x
⃗
(
i
)
)
)
]
J(\vec{w},b)= \frac{1}{m} \sum_{i=1}^m [L(f_{\vec{w},b}(\vec{x}^{(i)}) , y^{(i)})]= -\frac{1}{m} \sum_{i=1}^m [ y^{(i)}log(f_{\vec{w},b}(\vec{x}^{(i)})) +(1-y^{(i)})log(1-f_{\vec{w},b}(\vec{x}^{(i)})) ]
J(w,b)=m1i=1∑m[L(fw,b(x(i)),y(i))]=−m1i=1∑m[y(i)log(fw,b(x(i)))+(1−y(i))log(1−fw,b(x(i)))]
2.4.5 Gradient Descent
r e p e a t { w j = w j − α ∂ ∂ w J ( w ⃗ , b ) = w j − α [ 1 m ∑ i = 1 m ( f w ⃗ , b ( x ⃗ ( i ) ) − y ( i ) ) x j ( i ) ] b = b − α ∂ ∂ b J ( w ⃗ , b ) = b − α [ 1 m ∑ i = 1 m ( f w ⃗ , b ( x ⃗ ( i ) ) − y ( i ) ) ] } s i m u l t a n e o u s u p d a t e s \begin{align} &repeat \{ \\ &\qquad w_j = w_j - α \frac{∂}{∂w} J(\vec{w},b) = w_j - α [ \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)} ] \\ &\qquad b = b - α \frac{∂}{∂b} J(\vec{w},b) = b - α [ \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) ] \\ &\} simultaneous \quad updates \end{align} repeat{wj=wj−α∂w∂J(w,b)=wj−α[m1i=1∑m(fw,b(x(i))−y(i))xj(i)]b=b−α∂b∂J(w,b)=b−α[m1i=1∑m(fw,b(x(i))−y(i))]}simultaneousupdates
对于逻辑回归中的梯度下降参数，我们同样进行同步更新，上式中求偏导后的式子恰好与线性回归中式子相同，但他们的含义并不同。
这是因为在Linear regression中： f w ⃗ , b ( x ⃗ ) = w ⃗ ⋅ x ⃗ + b f_{\vec{w},b}(\vec{x}) = \vec{w} · \vec{x} + b fw,b(x)=w⋅x+b；但是在Logistic regression中： f w ⃗ , b ( x ⃗ ) = g ( w ⃗ ⋅ x ⃗ + b ) = 1 1 + e − ( w ⃗ ⋅ x ⃗ + b ) f_{\vec{w},b}(\vec{x}) = g(\vec{w} · \vec{x} + b) = \frac{1}{1 + e^{-(\vec{w} · \vec{x} + b)}} fw,b(x)=g(w⋅x+b)=1+e−(w⋅x+b)1，但二者都可以进行梯度下降监视。
2.5 Underfitting and Overfitting
2.5.1 概述
在经典房价预测案例中，假定已获得上图中的数据，并将这些数据作为测试集进行拟合。
若选用一次多项式进行拟合，显然与趋势不同，因为当面积越来越大，房价也趋于平稳，不会像一次函数一样无限增长。我们称这样的结果为欠拟合（Underfitting）或高偏差（high bias）。
如果选用更高次项的多项式，得到的结果十分准确的拟合了数据集中的每一个训练数据，代价函数也几乎等于零。但这是一条很波动的曲线，有时当面积增加房价反而大幅下降，这显然也与实际不符。我们称这样的结果为过拟合（Overfitting）或高方差（high variance）。
欠拟合和过拟合的模型都不具备泛化（generalization）新样本的能力。
同理，对于逻辑回归模型，也有类似的拟合情况。上图是恶行肿瘤判断案例， x 1 x_1 x1表示患者年龄， x 2 x_2 x2表示肿瘤大小。
2.5.2 解决过拟合
-
Collect more training examples
应对过拟合的方法之一就是搜集更多的测试数据，不断添加新的数据后，过拟合将逐步被解决。但如果无法获取足够多的测试数据，该方法就失效了。
-
Select features to include/exclude
造成过拟合的原因之一可能是选取的特征过多了，有时应当对特征进行舍弃，减少特征的数量也是解决过拟合的方法之一。但如果如此多的特征确实都是无法舍弃的，该方法就失效了。
-
Regularization
正则化是对特征的参数进行缩小，即减小某特征的权重，而非像方法二一样直接删除掉这个特征。即：保留所有特征，但防止权重过大造成过拟合。
2.5.3 Regularization（正则化）
以线性回归模型为例，其代价函数为 J ( w ⃗ , b ) = 1 2 m ∑ i = 1 m ( f w ⃗ , b ( x ⃗ ( i ) ) − y ( i ) ) 2 J(\vec{w},b) = \frac{1}{2m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)})^2 J(w,b)=2m1∑i=1m(fw,b(x(i))−y(i))2。
当过度追求最小化代价函数，即 m i n w ⃗ , b { J ( w ⃗ , b ) } = m i n w ⃗ , b { 1 2 m ∑ i = 1 m ( f w ⃗ , b ( x ⃗ ( i ) ) − y ( i ) ) 2 } \underset{\vec{w},b}{min} \ \{J(\vec{w},b) \} = \underset{\vec{w},b}{min} \ \{\frac{1}{2m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)})^2\} w,bmin {J(w,b)}=w,bmin {2m1∑i=1m(fw,b(x(i))−y(i))2}，就会出现上文中过拟合的情况，显然过拟合时，代价函数的值要比“just right”时代价函数的值要小。所以应当优化代价函数的公式，不应该只考虑估计值与真实值的差距，也应当考虑不同多项式的权重。
比如当下右图中 x 3 , x 4 x^3,x^4 x3,x4的系数 w 3 , w 4 w_3,w_4 w3,w4趋于0时，拟合曲线就会更加平滑，接近下左图的情况。
现将代价函数修改为下式，1000为任意给定的一个较大的数字，旨在进行说明而非强制为1000。
m
i
n
w
⃗
,
b
{
J
(
w
⃗
,
b
)
}
=
m
i
n
w
⃗
,
b
{
1
2
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
2
+
1000
w
3
2
+
1000
w
4
2
}
\underset{\vec{w},b}{min} \{J(\vec{w},b)\} = \underset{\vec{w},b}{min} \{ \frac{1}{2m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)})^2 + 1000w_3^2 + 1000w_4^2 \}
w,bmin{J(w,b)}=w,bmin{2m1i=1∑m(fw,b(x(i))−y(i))2+1000w32+1000w42}
此时，如果继续追求最小化代价函数，
w
3
,
w
4
w_3,w_4
w3,w4也被纳入了考虑范围，并且越小越好。当得到最小化后的代价函数时，由于
x
3
,
x
4
x^3,x^4
x3,x4的系数
w
3
,
w
4
w_3,w_4
w3,w4趋于0（也称为：对
w
3
,
w
4
w_3,w_4
w3,w4进行了惩罚），图像更加趋于二次函数的样子，这样就大幅度消除了过拟合带来的影响，这就是正则化的思想。
但是正则化过程中我们往往无法直接确定哪个特征应当被惩罚，所以正则化的实现通常是惩罚所有特征，现在建立一个对所有特征都进行惩罚的模型，其中，
λ
\lambda
λ为正则化参数，对于参数b，是否进行惩罚带来的影响很小。
m
i
n
w
⃗
,
b
{
J
(
w
⃗
,
b
)
}
=
m
i
n
w
⃗
,
b
{
1
2
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
2
+
λ
2
m
∑
j
=
1
n
w
j
2
}
\underset{\vec{w},b}{min} \{J(\vec{w},b)\} = \underset{\vec{w},b}{min}\{ \frac{1}{2m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)})^2 + \frac{\lambda}{2m} \sum_{j=1}^nw_j^2 \}
w,bmin{J(w,b)}=w,bmin{2m1i=1∑m(fw,b(x(i))−y(i))2+2mλj=1∑nwj2}
上式中第一项为均方误差代价（squared error cost），第二项为正则化项（regularization term）。
当 λ \lambda λ取不同值时会有不同的惩罚效果，考虑两个极端情况，若 λ = 0 \lambda=0 λ=0，其实就是不进行惩罚，则可能会产生之前的过拟合现象；若 λ = 1 \lambda=1 λ=1，则对每一项都进行了极大的惩罚，这就使得模型变为： f w ⃗ , b ( x ⃗ ) = b f_{\vec{w},b}(\vec{x}) = b fw,b(x)=b，也就产生了欠拟合情况。
2.5.4 线性回归模型的正则化
根据上文中给出的新模型，可以得出正则化后的梯度下降算法：
r
e
p
e
a
t
{
w
j
=
w
j
−
α
∂
∂
w
j
J
(
w
⃗
,
b
)
=
w
j
−
α
[
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
+
λ
m
w
j
]
b
=
b
−
α
∂
∂
b
J
(
w
⃗
,
b
)
=
b
−
α
[
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
]
}
s
i
m
u
l
t
a
n
e
o
u
s
u
p
d
a
t
e
s
a
n
d
f
w
⃗
,
b
(
x
⃗
)
=
w
⃗
⋅
x
⃗
+
b
\begin{align} &repeat \{ \\ &\qquad w_j = w_j - α \frac{∂}{∂w_j} J(\vec{w},b) = w_j - α [ \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)} + \frac{\lambda}{m}w_j ] \\ &\qquad b = b - α \frac{∂}{∂b} J(\vec{w},b) = b - α [ \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) ] \\ &\} simultaneous \quad updates \\\\ &and \quad f_{\vec{w},b}(\vec{x}) = \vec{w} · \vec{x} + b \end{align}
repeat{wj=wj−α∂wj∂J(w,b)=wj−α[m1i=1∑m(fw,b(x(i))−y(i))xj(i)+mλwj]b=b−α∂b∂J(w,b)=b−α[m1i=1∑m(fw,b(x(i))−y(i))]}simultaneousupdatesandfw,b(x)=w⋅x+b
我们可以对上式中关于 w j w_j wj的式子进行简单化简：
w
j
=
w
j
−
α
[
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
+
λ
m
w
j
]
=
w
j
−
α
λ
m
w
j
−
α
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
=
(
1
−
α
λ
m
)
w
j
−
α
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
\begin{align} w_j &= w_j - α [ \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)} + \frac{\lambda}{m}w_j ] \\ &= w_j - α \frac{\lambda}{m} w_j - α \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)} \\ &= (1 - α \frac{\lambda}{m}) w_j - α \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)} \\ \end{align}
wj=wj−α[m1i=1∑m(fw,b(x(i))−y(i))xj(i)+mλwj]=wj−αmλwj−αm1i=1∑m(fw,b(x(i))−y(i))xj(i)=(1−αmλ)wj−αm1i=1∑m(fw,b(x(i))−y(i))xj(i)
对比之前得到的线性回归模型梯度下降算法中关于
w
j
w_j
wj的式子：
w
j
=
w
j
−
α
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
w_j = w_j - α \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)}
wj=wj−αm1i=1∑m(fw,b(x(i))−y(i))xj(i)
不难看出，正则化后的表达式与未正则化的表达式的不同之处在于：第一项之前乘了
(
1
−
α
λ
m
)
(1 - α \frac{\lambda}{m})
(1−αmλ)。
α \alpha α是学习率，是一个很小的正数（0-1）， λ \lambda λ是正则化参数，也是一个较小的正数（1-10），m表示一个训练集中的样本数量，通常较大，所以不难算出 ( 1 − α λ m ) (1 - α \frac{\lambda}{m}) (1−αmλ)是一个略微小于1的正数。
这其实就是正则化的工作原理：在每次迭代时主动减小一些 w j w_j wj，然后执行普通更新，所以才使得原本不收敛的学习路线图变得收敛。
2.5.5 逻辑回归模型的正则化
根据逻辑回归模型的代价函数以及前文得到的正则化方法，可以构建新的代价函数：
J
(
w
⃗
,
b
)
=
−
1
m
∑
i
=
1
m
{
y
(
i
)
l
o
g
[
f
w
⃗
,
b
(
x
⃗
(
i
)
)
]
+
(
1
−
y
(
i
)
)
l
o
g
[
1
−
f
w
⃗
,
b
(
x
⃗
(
i
)
)
]
}
+
λ
2
m
∑
j
=
1
n
w
j
2
J(\vec{w},b)= -\frac{1}{m} \sum_{i=1}^m \{ \ y^{(i)}log[f_{\vec{w},b}(\vec{x}^{(i)})] +(1-y^{(i)})log[1-f_{\vec{w},b}(\vec{x}^{(i)})] \ \} + \frac{\lambda}{2m} \sum_{j=1}^nw_j^2
J(w,b)=−m1i=1∑m{ y(i)log[fw,b(x(i))]+(1−y(i))log[1−fw,b(x(i))] }+2mλj=1∑nwj2
同样可以得到下面的正则化后的逻辑回归模型的代价函数：
r
e
p
e
a
t
{
w
j
=
w
j
−
α
∂
∂
w
j
J
(
w
⃗
,
b
)
=
(
1
−
α
λ
m
)
w
j
−
α
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
x
j
(
i
)
b
=
b
−
α
∂
∂
b
J
(
w
⃗
,
b
)
=
b
−
α
1
m
∑
i
=
1
m
(
f
w
⃗
,
b
(
x
⃗
(
i
)
)
−
y
(
i
)
)
}
s
i
m
u
l
t
a
n
e
o
u
s
u
p
d
a
t
e
s
a
n
d
f
w
⃗
,
b
(
x
⃗
)
=
g
(
w
⃗
⋅
x
⃗
+
b
)
=
1
1
+
e
−
(
w
⃗
⋅
x
⃗
+
b
)
\begin{align} &repeat \{ \\ &\qquad w_j = w_j - α \frac{∂}{∂w_j} J(\vec{w},b) = (1 - α \frac{\lambda}{m}) w_j - α \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) x_j^{(i)} \\ &\qquad b = b - α \frac{∂}{∂b} J(\vec{w},b) = b - α \frac{1}{m} \sum_{i=1}^m (f_{\vec{w},b}(\vec{x}^{(i)}) - y^{(i)}) \\ &\} simultaneous \quad updates \\\\ &and \quad f_{\vec{w},b}(\vec{x}) = g(\vec{w} · \vec{x} + b) = \frac{1}{1 + e^{-(\vec{w} · \vec{x} + b)}} \end{align}
repeat{wj=wj−α∂wj∂J(w,b)=(1−αmλ)wj−αm1i=1∑m(fw,b(x(i))−y(i))xj(i)b=b−α∂b∂J(w,b)=b−αm1i=1∑m(fw,b(x(i))−y(i))}simultaneousupdatesandfw,b(x)=g(w⋅x+b)=1+e−(w⋅x+b)1
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
