吴恩达机器学习（第二周）-4、多变量线性回归（Linear Regression with Multiple Variables）

4.1 多特征（Multiple Features）

对于一个要度量的对象，一般来说会有不同维度的多个特征。比如之前的房屋价格预测例子中，除了房屋的面积大小，可能还有房屋的年限、房屋的层数等等其他特征：

这里由于特征不再只有一个，引入一些新的记号

n: 特征的总数

x(i): 代表样本矩阵中第 i 行，也就是第 i 个训练实例。

xj(i): 代表样本矩阵中第 i 行的第 j 列，也就是第 i 个训练实例的第 j 个特征。

参照上图，则有 ${x}^{(2)}\text{=}\begin{bmatrix} 1416\\ 3\\ 2\\ 40 \end{bmatrix}, {x}^{(2)}_{1} = 1416$

多变量假设函数 h 表示为：$h_{\theta}\left( x \right)={\theta_{0}}+{\theta_{1}}{x_{1}}+{\theta_{2}}{x_{2}}+...+{\theta_{n}}{x_{n}}$

对于 θ0，和单特征中一样，我们将其看作基础数值。例如，房价的基础价格。

参数向量的维度为 n+1，在特征向量中添加 x0 后，其维度也变为 n+1， 则运用线性代数，可简化 h：

hθ(x)=[θ0;θ1;...;θn][x0x1⋮xn]=θTx

θT: θ 矩阵的转置

x: 某个样本的特征向量，$n+1$ 维特征量向量

x0: 为了计算方便我们会假设 x0(i)=1

注：该部分记号较多，记不住可随时回顾！

4.2 多变量梯度下降（Gradient Descent for Multiple Variables）

多变量代价函数类似于单变量代价函数，

即 J(θ0,θ1...θn)=12m∑i=1m(hθ(x(i))−y(i))2 ，其中 hθ(x)=θTx。

前文提到梯度下降对于最小化代价函数的通用性，则多变量梯度下降公式即

$$ \begin{align*} & \text{Repeat until convergence:} ; \lbrace \ &{{\theta }{j}}:={{\theta }{j}}-\alpha \frac{\partial }{\partial {{\theta }{j}}}J\left( {\theta{0}},{\theta_{1}}...{\theta_{n}} \right) \ \rbrace \end{align*} $$

解出偏导得：

repeat until convergence:;{θj:=θj−α1m∑i=1m(hθ(x(i))−y(i))⋅xj(i);for j := 0,1...n}

可展开为：

repeat until convergence:;{θ0:=θ0−α1m∑i=1m(hθ(x(i))−y(i))⋅x0(i)θ1:=θ1−α1m∑i=1m(hθ(x(i))−y(i))⋅x1(i)θ2:=θ2−α1m∑i=1m(hθ(x(i))−y(i))⋅x2(i)⋮θn:=θn−α1m∑i=1m(hθ(x(i))−y(i))⋅xn(i)}

当然，同单变量梯度下降一样，计算时需要同时更新所有参数。

hθ(x)=θTx，则得到同时更新参数的向量化（Vectorization）实现： $$ \theta = \theta - \alpha \frac{1}{m}(X^T(X\theta-y)) $$

X: 训练集数据，$m\times(n+1)$ 维矩阵（包含基本特征 x0=1）

4.3 梯度下降实践1-特征值缩放（Gradient Descent in Practice I - Feature Scaling）

在应用梯度下降算法实践时，由于各特征值的范围不一，可能会影响代价函数收敛速度。

以房价预测问题为例，这里选取房屋面积大小和房间数量这两个特征。

下图中，左图是以原始数据绘制的代价函数轮廓图，右图为采用特征缩放（都除以最大值）后图像。左图中呈现的图像较扁，相对于使用特征缩放方法的右图，梯度下降算法需要更多次的迭代。

为了优化梯度下降的收敛速度，采用特征缩放的技巧，使各特征值的范围尽量一致。

除了以上图人工选择并除以一个参数的方式，**均值归一化（Mean normalization）**方法更为便捷，可采用它来对所有特征值统一缩放：

xi:=xi−average(x)maximum(x)−minimum(x), 使得 xi∈(−1,1)

对于特征的范围，并不一定需要使得 −1⩽x⩽1，类似于 1⩽x⩽3 等也是可取的，而诸如 −100⩽x⩽100，$-0.00001 \leqslant x \leqslant 0.00001$，就显得过大/过小了。

另外注意，一旦采用特征缩放，我们就需对所有的输入采用特征缩放，包括训练集、测试集、预测输入等。

4.4 梯度下降实践2-学习速率（Gradient Descent in Practice II - Learning Rate）

通常，有两种方法来确定函数是否收敛

• 多次迭代收敛法
  • 无法确定需要多少次迭代
  • 较易绘制关于迭代次数的图像
  • 根据图像易预测所需的迭代次数
• 自动化测试收敛法（比较阈值）
  • 不易选取阈值
  • 代价函数近乎直线时无法确定收敛情况

对于梯度下降，一般采用多次迭代收敛法来得出最小化代价函数的参数值，自动化测试收敛法（如设定 J(θ)<10−3 时判定收敛）则几乎不会被使用。

我们可以通过绘制代价函数关于迭代次数的图像，可视化梯度下降的执行过程，借助直观的图形来发现代价函数趋向于多少时能趋于收敛，依据图像变化情况，确定诸如学习速率的取值，迭代次数的大小等问题。

对于学习速率 α，一般上图展现的为适中情况，下图中，左图可能表明 α 过大，代价函数无法收敛，右图可能表明 α 过小，代价函数收敛的太慢。当然，$\alpha$ 足够小时，代价函数在每轮迭代后一定会减少。

通过不断改变 α 值，绘制并观察图像，并以此来确定合适的学习速率。 尝试时可取 α 如 …;0,001,;0.003,;0.01,;0.03,;0.1,;…

4.5 特征和多项式回归（Features and Polynomial Regression）

在特征选取时，我们也可以自己归纳总结，定义一个新的特征，用来取代或拆分旧的一个或多个特征。比如，对于房屋面积特征来说，我们可以将其拆分为长度和宽度两个特征，反之，我们也可以合并长度和宽度这两个特征为面积这一个特征。

线性回归只能以直线来对数据进行拟合，有时候需要使用曲线来对数据进行拟合，即多项式回归（Polynomial Regression）。

比如一个二次方模型：$h_{\theta}\left( x \right)={\theta_{0}}+{\theta_{1}}{x_{1}}+{\theta_{2}}{x_{2}^2}$

或者三次方模型：$h_{\theta}\left( x \right)={\theta_{0}}+{\theta_{1}}{x_{1}}+{\theta_{2}}{x_{2}^2}+{\theta_{3}}{x_{3}^3}$

或者平方根模型： hθ(x)=θ0+θ1x1+θ2x22+θ3x3

在使用多项式回归时，要记住非常有必要进行特征缩放，比如 x1 的范围为 1-1000，那么 x12 的范围则为 1- 1000000，不适用特征缩放的话，范围更有不一致，也更易影响效率。

4.6 正规方程（Normal Equation）

对于一些线性回归问题来说，正规方程法给出了一个更好的解决问题的方式。

正规方程法，即令 ∂∂θjJ(θj)=0 ，通过解析函数的方式直接计算得出参数向量的值 θ=(XTX)−1XTy ，Octave/Matlab 代码： theta = inv(X'*X)*X'*y。

X−1: 矩阵 X 的逆，在 Octave 中，inv 函数用于计算矩阵的逆，类似的还有 pinv 函数。

X': 在 Octave 中表示矩阵 X 的转置，即 XT

下表列出了正规方程法与梯度下降算法的对比

条件	梯度下降	正规方程
是否需要选取 α	需要	不需要
是否需要迭代运算	需要	不需要
特征量大1时	适用，$O\left(kn^2\right)$	不适用，$(X^TX)^{-1}$ 复杂度 O(n3)
适用范围2	各类模型	只适用线性模型，且矩阵需可逆

正规方程法的推导过程： $$ \begin{aligned} J\left( \theta \right)& =\frac{1}{2m}\sum\limits_{i=1}^{m}{{{\left( {h_{\theta}}\left( {x^{(i)}} \right)-{y^{(i)}} \right)}^{2}}}\ & =\frac{1}{2m}||X\theta-y||^2 \ & =\frac{1}{2m}(X\theta-y)^T(X\theta-y) \hspace{15cm} \end{aligned} $$

展开上式可得

J(θ)=12m(θTXTXθ−θTXTy−yTXθ+yTy)

注意到 θTXTy 与 yTXθ 都为标量，实际上是等价的，则：

J(θ)=12m[XTXθ−2θTXTy+yTy]

接下来对$J(\theta )$ 求偏导，根据矩阵的求导法则:

\diffdXTAX\diffdX=(A+AT)X

\diffdXTA\diffdX=A

所以有:

∂J(θ)∂θ=12m(2XTXθ−2XTy)=XTXθ−XTy

令$\frac{\partial J\left( \theta \right)}{\partial \theta }=0$, 则有 $$ \theta ={{\left( {X^{T}}X \right)}^{-1}}{X^{T}}y $$

4.7 不可逆性正规方程（Normal Equation Noninvertibility）

（本部分内容为选讲）

正规方程无法应用于不可逆的矩阵，发生这种问题的概率很小，通常由于

• 特征之间线性相关

  比如同时包含英寸的尺寸和米为单位的尺寸两个特征，它们是线性相关的

  即 x1=x2∗(3.28)2。

• 特征数量大于训练集的数量 (m⩽n)。

如果发现 XTX 的结果不可逆，可尝试：

• 减少多余/重复特征
• 增加训练集数量
• 使用正则化（后文）

对于这类不可逆的矩阵，我们称之为奇异矩阵或退化矩阵。

这种情况下，如果还想使用正规方程法，在Octave中，可以选用 pinv 函数，pinv 区别于 inv，pinv 函数被称为伪逆函数，在矩阵不可逆的时候，使用这个函数仍可正确地计算出 θ 的值。

Footnotes

1. 一般来说，当 $n$ 超过 10000 时，对于正规方程而言，特征量较大。 ↩

2. 梯度下降算法的普适性好，而对于特定的线性回归模型，正规方程是很好的替代品。 ↩