李宏毅机器学习笔记第二章：回归案例分析

这章内容真的太多了(灬ꈍ ꈍ灬)

回归的定义和应用实例

回归定义：

回归（regression）就是找到一个函数function，通过输入特征x，输出一个数值scalar

应用实例：

a）股市预测（Stock Market Forecast）：

 输入：过去10年股票的变动、新闻咨询、公司并购咨询等

 输出：预测股市明天的平均值 。

b）自动驾驶（Self-driving Car）：

输入：无人车上的各个sensor的数据，例如路况、测出的车距等

 输出：方向盘的角度

 c）商品推荐（Recommendation）

输入：商品A的特性，商品B的特性 输出：购买商品B的可能性

 d）Pokemon精灵攻击力预测（Combat Power of a pokemon）：

 输入：进化前的CP值、物种（Bulbasaur）、血量（HP）、重量（Weight）、高度（Height）

 输出：进化后的CP值

案例应用研究

Estimating the Combat Power(CP) of a pokemon after evolution（预测宝可梦进化后的CP值）

确定Scenario、Task和Model

Scenario

首先根据已有的data来确定Scenario，我们拥有宝可梦进化前后CP值的这样一笔数据，input是进化前的宝可梦(包括它的各种属性)，output是进化后的宝可梦的CP值；因此我们的data是labeled，使用的Scenario是Supervised Learning。

Task

然后根据我们想要function的输出类型来确定Task，我们预期得到的是宝可梦进化后的cp值，是一个scalar，因此使用的Task是Regression。

Model

关于Model，选择很多，这里采用的是Non-linear Model。

 ：表示一只宝可梦，用下标表示该宝可梦的某种属性

 ：表示该宝可梦进化前的cp值

 ： 表示该宝可梦是属于哪一种物种，比如妙瓜种子、皮卡丘...

：表示该宝可梦的hp值即生命值是多少

： 代表该宝可梦的重重量

：： 代表该宝可梦的高度

  ： 表示我们要找的function

：： 表示function的output，即宝可梦进化后的cp值，是一个scalar

机器学习的三个步骤

Step1:Model找到一个模型（function set）

 一元线性模型（单个特征）y=b+w·x

多元线性模型（多个特征）例如：y=b+w1·a+w2·b······

       我们假设进化后的宝可梦的CP值y和进化前的宝可梦的CP值满足 ：，w和b称之为模型的参数，可以是任何值。根据w和b采用不同的值我们会得到不同的function，把这些function合起来我们就得到了function set。

        实际上这是一种Linear Model，但只考虑了宝可梦进化前的CP值，但进化后的CP值也有可能跟其他条件有关系，如宝可梦的身高、体重等，因而我们可以将其扩展为：，其中可以是、、、…… 称之为weight（权重），b称为偏置bias。

Step2:Goodness of Function模型的评估， 如何判断众多模型的好坏（损失函数）

：用上标来表示一个完整的object的编号，第一笔资料上标就是1、第二笔资料上标就是2……下标表示该object中的特征如

：表示一个现实中实际观察到的object输出（真正的data），上标为i表示是第i个object。

为了衡量function set中的某个function的好坏，我们需要一个评估函数既Loss Function，一般用L来表示Loss Function。

Input: a function   output: how bad it is

       是实际观察到的结果，是function预测出的结果。同时由于f()是w和b的函数，因此Loss function 也可以用w和b的函数表示：

       L(f)的值越大，说明loss function的表现越不好；L(f)的值越小，loss function的表现越好。

Step3:Best Function模型的优化，如何筛选最优的模型（梯度下降）

最后一步是在function set 中找到一个最好的function，我们把这个最好的function称为。

=

,  =

 

利用线性代数的知识，可以解得这个closed-form solution，但这里采用的是一种更为普遍的方法——gradient descent(梯度下降法)

Loss function可视化处理

       下图中是loss function的可视化，该图中的每一个点都代表一组（w，b），也就是对应着一个function；而该点的颜色对应着的loss function的结果L（w，b），它表示该点对应function的表现有多糟糕，颜色越偏红色代表Loss的数值越大，这个function的表现越不好，越偏蓝色代表Loss的数值越小，这个function的表现越好。比如图中用红色箭头标注的点就代表了b=-180 , w=-2对应的function，即，该点所在的颜色偏向于红色区域，因此这个function的loss比较大，表现并不好。

Gradient Descent梯度下降算法

【单个参数问题】

Consider loss function L(w) with one parameter w：

        以只带单个参数w的Loss Function L(w)为例，首先保证L(w)是可微的。我们的目标就是找到这个使Loss最小的，实际上就是寻找切线L斜率为0的global minima最小值点(注意，存在一些local minima极小值点，其斜率也是0)。

       有一个暴力的方法是，穷举所有的w值，看哪一个w可以使loss最小，但是这样做是没有效率的；而gradient descent就是用来解决这个效率问题的。

1. 随机选一个初始值
2. 计算loss函数对w=的微分，既 ，也就是在w=这一点处loss曲线的斜率。
3. 如果这一点切线的斜率是负值（Negative），也就说明曲线左边高右边低，这个时候你就应该把你的参数增加往右边移动（Increase w），从而使得loss的值变小；如果斜率是正的（positive），那么就应该使w变小，即往左踏一步，每一步的步长step size就是w的改变量。

Tips：w的改变量（step size）取决于两个方面：

       一是    的值，微分值越大说明斜率越大，曲线就越陡峭，这时你的step size就要小一些，不然可能会越过minima这一点。

       二是常数项η，称之为learning rate（学习率），它使得梯度下降的step size不仅仅取决于当前曲线的斜率，还取决于你事先设定好的常数值，如果learning rate越大，w的变化量就越大，既更新幅度越大，反之越小。

       learning rate设置的大一些，机器学习的速度就会比较快；但是learning rate如果太大，可能就会跳过最合适的global minima的点。

 

   4.因此每次更新的大小为η ，为了满足微分为正值时w减小，为负值时w增大，step size=-η，既：             

                       

直到=0 时结束，此时的

当时，曲线斜率为0，我们找到了一个极小值，但有可能不是最小值，也就是说我们找到的是local minima 而不是global minima。因此通过但是Gradient Descent找出来的solution可能不是最好的，含有运气的成分在里面。

 

 【两个参数问题】

1. 随机选一个，
2. 让loss函数分别对，进行偏微分
3. 更新w和b

  

当时，

我们一般将loss函数对w和b的偏微分表示成向量的形式，也就是所说的gradient，用▽L=δLδwδLδb gradient来表示。

可视化效果如下：横坐标是b，纵坐标是w，颜色代表loss的值，越偏蓝色表示loss越小，越偏红色表示loss越大。

 

注：这里两个方向的η(learning rate)必须保持一致，这样每次更新坐标的step size是等比例缩放的，保证坐标前进的方向始终和梯度下降的方向一致；否则坐标前进的方向将会发生偏移。

Gradient Descent的缺点

1.local minima：每次迭代完之后，梯度为0点一定是极小值点，但不一定是最小值点。也就是说可能是local minima（局部最小值），不一定是global minima（全局最小值）。

2.saddle point：当遇到梯度比较平缓(gradient≈0)的时候会出现saddle point（鞍点），鞍点处微分是0但却不是极值点。 

 但是在做liner regression（线性回归）的时候你不需要太担心这些问题，因为liner regression的loss function是convex（凸面的），是碗状的，把一个球放在碗的任何一个地方他它都会滑到碗的底部中心位置。但是如果你今天用的是更复杂的model，你就需要考虑这些问题。

宝可梦实例：

偏微分计算

假设data里有10只宝可梦（，），（，），（，）……进行偏微分的计算：

How is the result?

       我们目前定的function是，在做穷举的时候已经知道当b=-188.8，w=2.7的时候loss是最小的，也就是是最好的function。我们需要有一套评估系统来评价我们得到的最后这个function和实际值的误差error的大小；这里我们将training data里每一只宝可梦进化后的实际CP值与预测值之差的绝对值叫做，而这些误差之和Average Error on Training Data为=31.9

但是我们真正在意的并不是我们已经抓到的宝可梦进化后的CP值是多少，因为我们已经知道他们进化前后的CP值，都在我们data里面，我们在意的应该是如何预测没见过的宝可梦在进化后的CP值。因此我们需要抓另外10只宝可梦，但不去进化他们，直接把他们的CP值带入到function当中得到预测出的进化后的CP值。

       但是如何判断这个function预测额是否准确呢？我们还需要把这些新抓到的10只宝可梦拿去进化，并记录他们进化后的实际的CP值与function的预测值进行比较。求得误差之和Average Error on Testing Data为=35.0；可见training data里得到的误差一般是要比testing data要小，这也符合常识，因为你这个最好的function是根据training data找出来的，从来没有看过这些testing data。

How can we do better?

       我们目前的function是，预测值y只与宝可梦进化前的CP值有关系，并且是直线的关系，但根据上图10只宝可梦的进化前后CP值得分布来看，很有可能不是直线的关系。但是假设一下可能是的二次方的关系，因此假设+,解出来的 best function（最好的function）中，b=-10.3，，=2.7，这时求得的Average Error on Training Data为=15.4， Average Error on Testing Data为=18.4看起来是好了很多，但其仍然是一个liner的model。可以把看做一个单独的指标，把看做是另一个单独的指标。

      但是能够观察到testing data也还是没有很好的分布在二次曲线上，所以就假设可不可能是三次方的关系。因此假设++ ，解出来的best function 中b=6.4 、 、 、 ，这时求得的Average Error on Training Data为=15.3，Average Error on Testing Data为=18.1。跟二次曲线的结果相比又好了一点。

       接下来在再试一下四次曲线，设++ ，求得的Average Error on Training Data为=14.9，Average Error on Testing Data为=28.8，换成更复杂的model后，在training data上的误差进一步减小了，但是在testing data上的误差却增大了。

       我们再来试一下五次方曲线设++ ，求得的Average Error on Training Data为=12.8，Average Error on Testing Data为=232.1

5个model的对比

       这5个model的training data的表现：随着的高次项的增加，对应的average error会不断地减小；实际上这件事情非常容易解释，实际上低次的式子是高次的式子的特殊情况(令高次项对应的为0，高次式就转化成低次式。

       也就是说，在gradient descent可以找到best function的前提下(多次式为Non-linear model，存在local optimal局部最优解，gradient descent不一定能找到global minima)，function所包含的项的次数越高，越复杂，error在training data上的表现就会越来越小；但是，我们关心的不是model在training data上的error表现，而是model在testing data上的error表现。

       一个复杂的模型是不一定总在testing data上面有很好的performance。在training data上，model越复杂，error就会越低；但是在testing data上，model复杂到一定程度之后，error非但不会减小，反而会暴增，在该例中，从含有项的model开始往后的model，testing data上的error出现了大幅增长的现象，这通常被称为 overfitting 过拟合。

overfitting 过拟合

如何解决过拟合的问题，最好的办法就是收集更多的data，我们抓了60只宝可梦。 可以从图中看出宝可梦进化后的CP值显然不仅仅和进化前的CP值有关，有另外的隐藏因素我们没有考虑到，不然不会出现同一个进化前的CP值会对应两个差距很大的进化后的CP值。

我们把不同宝可梦的品种画出来，用不同的颜色表示不同的品种，你会发现宝可梦的种类影响了进化后的CP值。

 

因此回到第一步：重新设计我们的function

=species of x    表示不同的宝可梦种类

If = Pidgey   ： y =  + ·

If = Weedle   ： y =  + ·

If  = Caterpie ： y = b3 + ·

If  = Eevee    ： y =+ ·

根据不同的物种设计不同的liner model，那如何四个liner model 组合成一个liner model？我们用另外一个式子来写上面的四个式子。在这里我们引入δ（条件表达式），当条件表达式为true，则δ为1；当条件表达式为false，则δ为0。因此可以通过下图的方式，将4个if语句转化成同一个linear model。

有了上面的model之后，我们分别计算了这个model在training data和testing data上面的error。

可以发现无论是在training data还是testing data上面，我们的error都比之前的model好。那么还有没有其他的factor（因素）影响进化后的CP值，比如weight、hight、HP，我们目前也不确定，所以把所有的factor都加进来。

计算出来的training error=1.9  testing error=102.3（overfitting！）我们的model很复杂，能够很好地与training data进行吻合，但可能并不适合实际的预测，在testing data上的结果可能就不会很好。

我们不知道哪些factor是真正起到影响的，因此我们也没有办法过滤掉那些没有作用的因素。但是有另外一种方式对很多不同的test都有用的方法，这种方法叫做Regularization。这里Regularization要做的就是去改原来的loss function。

       我们原来的function只是去看testing data 的error有多大，新的function除了看error有多大之外，还多加了一项 ,这一项是乘以所有参数的平方和。

 

为什么要选择一个smooth的function？我们相信在多数情况下smooth的function比较有可能是正确的。如果你找出来的function是抖动非常厉害的，像上面四次的function，这个function很有可能是不对的。

        中的λ其实是需要手调的，λ的大小取决于你希望你的function有多平滑，λ越大function就越平滑。

        其次你还会发现只考虑了w而没有考虑b（bias），因为bias的大小跟function的平滑程度是没有关系的，bias值的大小只是把function上下移动而已，与function的平滑度没有关系。

那为什么我们喜欢比较平滑的function呢？如果我们有一个比较平滑的function，由于输出对输入是不敏感的，测试的时候，一些noises噪声对这个平滑的function的影响就会比较小，而给我们一个比较好的结果。

观察上图可知，当我们的λ越大的时候，在training data上得到的error其实是越大的，但是这件事情是非常合理的，因为当λ越大的时候，我们就越倾向于考虑w的值而越少考虑error的大小；但是有趣的是，虽然在training data上得到的error越大，但是在testing data上得到的error可能会是比较小的。

图中，当λ从0到100变大的时候，training error不断变大，testing error反而不断变小；但是当λ太大的时候(>100)，在testing data上的error就会越来越大

我们喜欢比较平滑的function，因为它对noise不那么sensitive；但是我们又不喜欢太平滑的function，因为它就失去了对data拟合的能力；而function的平滑程度，就需要通过调整λ来决定，就像图中，当λ=100时，在testing data上的error最小，因此我们选择λ=100。