回归（regression）

1. 回归（regression）

1.1 起源与定义

回归最早是被高尔顿提出的。他通过研究发现：如果父母都比较高一些，那么生出的子女身高会低于父母的平均身高；反之，如果父母双亲都比较矮一些，那么生出的子女身高要高于父母平均身高。他认为，自然界有一种约束力，使得身高的分布不会向高矮两个极端发展，而是趋于回到中心，所以称为回归。
目前，从用法角度将其定义为一种数值（scalar）预测的技术，区别于分类（类别预测技术）。

1.2 不同的用法

1.2.1 解释（Explanation）

回归可用于做实证研究，研究自变量和因变量之间的内在联系和规律，常见于社会科学研究中。

• 互联网的普及降低了教育不平等程度吗？
• 大学生就业选择的影响因素有哪些？
• 医疗电子商务场景下客户满意度的影响因素有哪些？

1.2.2 预测（Prediction）

回归也可用来做预测，根据已知的信息去准确预测未知的事情。

• 股市预测：根据过去10年股票的变动、新闻咨询、公司并购咨询等，预测股市明天的平均值。
• 商品推荐：根据用户过去的购买记录和候选的商品信息，预测用户购买某个商品的可能性。
• 自动驾驶：根据汽车的各个sensor的数据，例如路况和车距等，预测正确的方向盘角度。

1.3 模型的构建

无论目的是解释还是预测，都需要掌握与任务相关的规律（认识世界），即建立合理的模型。
不同的一点是，解释模型只需要基于训练集构建，一般具备解析解（计量经济模型）。 预测模型必须在测试集上做检验和调整，一般不具备解析解，需要通过机器学习的方法去调整参数。因此，同样的模型框架和数据集，最优的解释模型和预测模型很可能是不相同的。
本文主要关注预测模型的构建，不涉及解释模型相关的内容。

2. 基于机器学习的模型构建

我们以Pokemon精灵攻击力预测这个任务为例，梳理机器学习三个步骤的详细内容。

• 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

2.1 模型假设 - 线性模型

为了方便，我们选择最简单的线性模型来作为完成回归任务的模型框架。我们可以使用单特征或者多特征的线性回归模型，后者会更加复杂，模型集合会更大。

为选择合理的模型框架，提前对数据集进行探索，观察变量间的关系是很有必要的，这将决定最终将哪些变量放入模型，以及是否需要对变量进行再次处理（二次项、取倒数等）。

可以看出，横轴和纵轴主要呈直线关系，也有一些二次关系（可考虑加二次项）。
模型框架（预先设定） + 参数（待估计） = 模型（目标）
目前模型的参数包括各个特征的权重 $w_i$ 以及偏移量 $b$。

2.2 模型评价 - 损失函数

本文阐述的回归任务属于有监督学习场景，因此需要收集足够的输入输出对以指导模型的构建。

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，我们使用损失函数（Loss function） 来衡量模型的好坏。Loss function基于模型预测值和实际值的差异来设置。

在本文中，我们选择常用的均方误差作为损失函数。

2.3 模型调优 - 梯度下降

当模型非凸时，是没有解析解的，只能通过启发式的方式迭代优化，常用的方法是梯度下降。

首先，我们随机选择一个 w 0 w^0 w