Coursera吴恩达机器学习课程笔记——单变量线性回归

2 单变量线性回归（Linear Regression with One Variable）

2.1 模型表示（Model Representation）

1. 房价预测训练集
   | Size in $fee{t}^2$ ($x$) | Price ($) in 1000’s($y$) |
   | ---------------------- | ------------------------- |
   | 2104 | 460 |
   | 1416 | 232 |
   | 1534 | 315 |
   | 852 | 178 |
   | … | … |

房价预测训练集中，同时给出了输入 $x$ 和输出结果 $y$，即给出了人为标注的**”正确结果“**，且预测的量是连续的，属于监督学习中的回归问题。

2. 问题解决模型
   

其中 $h$ 代表结果函数，也称为假设（hypothesis） 。假设函数根据输入（房屋的面积），给出预测结果输出（房屋的价格），即是一个 $X\to Y$ 的映射。

$h_{\theta }(x)={\theta }_0+{\theta }_{1}x$，为解决房价问题的一种可行表达式。

$x$: 特征/输入变量。

上式中，$\theta$ 为参数，$\theta$ 的变化才决定了输出结果，不同以往，这里的 $x$ 被我们视作已知（不论是数据集还是预测时的输入），所以怎样解得 $\theta$ 以更好地拟合数据，成了求解该问题的最终问题。

单变量，即只有一个特征（如例子中房屋的面积这个特征）。

2.2 代价函数（Cost Function）

李航《统计学习方法》一书中，损失函数与代价函数两者为同一概念，未作细分区别，全书没有和《深度学习》一书一样混用，而是统一使用损失函数来指代这类类似概念。

吴恩达（Andrew Ng）老师在其公开课中对两者做了细分。如果要听他的课做作业，不细分这两个概念是会被打小手扣分的！这也可能是因为老师发现了业内混用的乱象，想要治一治吧。

损失函数（Loss/Error Function）: 计算单个样本的误差。link

代价函数（Cost Function）: 计算整个训练集所有损失函数之和的平均值

综合考虑，本笔记对两者概念进行细分，若有所谬误，欢迎指正。

我们的目的在于求解预测结果 $h$ 最接近于实际结果 $y$ 时 $\theta$ 的取值，则问题可表达为求解 $\sum _{i=0}^m(h_{\theta }(x^{(i)})-y^{(i)})$ 的最小值。

$m$: 训练集中的样本总数

$y$: 目标变量/输出变量

$\left(x,y\right)$: 训练集中的实例

$\left(x^{\left(i\right)},y^{\left(i\right)}\right)$: 训练集中的第 $i$ 个样本实例

上图展示了当 $\theta$ 取不同值时，$h_{\theta }\left(x\right)$ 对数据集的拟合情况，蓝色虚线部分代表建模误差（预测结果与实际结果之间的误差），我们的目标就是最小化所有误差之和。

为了求解最小值，引入代价函数（Cost Function）概念，用于度量建模误差。考虑到要计算最小值，应用二次函数对求和式建模，即应用统计学中的平方损失函数（最小二乘法）：

$$J({\theta }_0,{\theta }_1)=\frac{1}{2m}\sum _{i=1}^m{\left({\hat{y}}_i-y_i\right)}^2=\frac{1}{2m}\sum _{i=1}^m{\left(h_{\theta }(x_i)-y_i\right)}^2$$

$\hat{y}$: $y$ 的预测值

系数 $\frac{1}{2}$ 存在与否都不会影响结果，这里是为了在应用梯度下降时便于求解，平方的导数会抵消掉 $\frac{1}{2}$ 。

讨论到这里，我们的问题就转化成了求解 $J\left({\theta }_0,{\theta }_1\right)$ 的最小值。

2.3 代价函数 - 直观理解1（Cost Function - Intuition I）

根据上节视频，列出如下定义：

• 假设函数（Hypothesis）: $h_{\theta }(x)={\theta }_0+{\theta }_{1}x$
• 参数（Parameters）: ${\theta }_0,{\theta }_1$
• 代价函数（Cost Function）: $J\left({\theta }_0,{\theta }_1\right)=\frac{1}{2m}\sum _{i=1}^m{\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)}^2$
• 目标（Goal）: $\underset{{\theta }_0,{\theta }_1}{\mathrm{minimize}}J\left({\theta }_0,{\theta }_1\right)$

为了直观理解代价函数到底是在做什么，先假设 ${\theta }_1=0$，并假设训练集有三个数据，分别为$\left(1,1\right),\left(2,2\right),\left(3,3\right)$，这样在平面坐标系中绘制出 $h_{\theta }\left(x\right)$ ，并分析 $J\left({\theta }_0,{\theta }_1\right)$ 的变化。

右图 $J\left({\theta }_0,{\theta }_1\right)$ 随着 ${\theta }_1$ 的变化而变化，可见**当 ${\theta }_1=1$ 时，$J\left({\theta }_0,{\theta }_1\right)=0$，取得最小值，**对应于左图青色直线，即函数 $h$ 拟合程度最好的情况。

2.4 代价函数 - 直观理解2（Cost Function - Intuition II）

注：该部分由于涉及到了多变量成像，可能较难理解，要求只需要理解上节内容即可，该节如果不能较好理解可跳过。

给定数据集：

参数在 ${\theta }_0$ 不恒为 $0$ 时代价函数 $J\left(\theta \right)$ 关于 ${\theta }_0,{\theta }_1$ 的3-D图像，图像中的高度为代价函数的值。

由于3-D图形不便于标注，所以将3-D图形转换为轮廓图（contour plot），下面用轮廓图（下图中的右图）来作直观理解，其中相同颜色的一个圈代表着同一高度（同一 $J\left(\theta \right)$ 值）。

${\theta }_0=360,{\theta }_1=0$ 时：

大概在 ${\theta }_0=0.12,{\theta }_1=250$ 时：

上图中最中心的点（红点），近乎为图像中的最低点，也即代价函数的最小值，此时对应 $h_{\theta }\left(x\right)$ 对数据的拟合情况如左图所示，嗯，一看就拟合的很不错，预测应该比较精准啦。

2.5 梯度下降（Gradient Descent）

在特征量很大的情况下，即便是借用计算机来生成图像，人工的方法也很难读出 $J\left(\theta \right)$ 的最小值，并且大多数情况无法进行可视化，故引入梯度下降（Gradient Descent）方法，让计算机自动找出最小化代价函数时对应的 $\theta$ 值。

梯度下降背后的思想是：开始时，我们随机选择一个参数组合$\left({\theta }_0,{\theta }_1,......,{\theta }_n\right)$即起始点，计算代价函数，然后寻找下一个能使得代价函数下降最多的参数组合。不断迭代，直到找到一个局部最小值（local minimum），由于下降的情况只考虑当前参数组合周围的情况，所以无法确定当前的局部最小值是否就是全局最小值（global minimum），不同的初始参数组合，可能会产生不同的局部最小值。

下图根据不同的起始点，产生了两个不同的局部最小值。

视频中举了下山的例子，即我们在山顶上的某个位置，为了下山，就不断地看一下周围下一步往哪走下山比较快，然后就迈出那一步，一直重复，直到我们到达山下的某一处陆地。

梯度下降公式：

Repeat until convergence:    { θ j : = θ j − α ∂ ∂ θ j J ( θ 0 , θ 1 ) } \begin{align*} & \text{Repeat until convergence:} \; \lbrace \\ &{{\theta }_{j}}:={{\theta }_{j}}-\alpha \frac{\partial }{\partial {{\theta }_{j}}}J\left( {\theta_{0}},{\theta_{1}} \right) \\ \rbrace \end{align*} }​Repeat until convergence:{θj​:=θj​−α∂θj​∂​J(θ0​,θ1​)​

${\theta }_j$: 第 $j$ 个特征参数

”:=“: 赋值操作符

$\alpha$: 学习速率（learning rate）, $\alpha >0$

$\frac{\partial }{\partial {\theta }_j}J\left({\theta }_0,{\theta }_1\right)$: $J\left({\theta }_0,{\theta }_1\right)$ 的偏导

公式中，学习速率决定了参数值变化的速率即”走多少距离“，而偏导这部分决定了下降的方向即”下一步往哪里“走（当然实际上的走多少距离是由偏导值给出的，学习速率起到调整后决定的作用），收敛处的局部最小值又叫做极小值，即”陆地“。

注意，在计算时要批量更新 $\theta$ 值，即如上图中的左图所示，否则结果上会有所出入，原因不做细究。

2.6 梯度下降直观理解（Gradient Descent Intuition）

该节探讨 ${\theta }_1$ 的梯度下降更新过程，即 ${\theta }_1:={\theta }_1-\alpha \frac{d}{d{\theta }_1}J\left({\theta }_1\right)$，此处为了数学定义上的精确性，用的是 $\frac{d}{d{\theta }_1}J\left({\theta }_1\right)$，如果不熟悉微积分学，就把它视作之前的 $\frac{\partial }{\partial \theta }$ 即可。

把红点定为初始点，切于初始点的红色直线的斜率，表示了函数 $J\left(\theta \right)$ 在初始点处有正斜率，也就是说它有正导数，则根据梯度下降公式 ，${\theta }_j:={\theta }_j-\alpha \frac{\partial }{\partial {\theta }_j}J\left({\theta }_0,{\theta }_1\right)$ 右边的结果是一个正值，即 ${\theta }_1$ 会向左边移动。这样不断重复，直到收敛（达到局部最小值，即斜率为0）。

初始 $\theta$ 值（初始点）是任意的，若初始点恰好就在极小值点处，梯度下降算法将什么也不做（${\theta }_1:={\theta }_1-\alpha \ast 0$）。

不熟悉斜率的话，就当斜率的值等于图中三角形的高度除以水平长度好啦，精确地求斜率的方法是求导。

对于学习速率 $\alpha$，需要选取一个合适的值才能使得梯度下降算法运行良好。

• 学习速率过小图示：

收敛的太慢，需要更多次的迭代。

• 学习速率过大图示：

可能越过最低点，甚至导致无法收敛。

学习速率只需选定即可，不需要在运行梯度下降算法的时候进行动态改变，随着斜率越来越接近于0，代价函数的变化幅度会越来越小，直到收敛到局部极小值。

如图，品红色点为初始点，代价函数随着迭代的进行，变化的幅度越来越小。

最后，梯度下降不止可以用于线性回归中的代价函数，还通用于最小化其他的代价函数。

2.7 线性回归中的梯度下降（Gradient Descent For Linear Regression）

线性回归模型

• $h_{\theta }(x)={\theta }_0+{\theta }_{1}x$
• $J\left({\theta }_0,{\theta }_1\right)=\frac{1}{2m}\sum _{i=1}^m{\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)}^2$

梯度下降算法
Repeat until convergence:    { θ j : = θ j − α ∂ ∂ θ j J ( θ 0 , θ 1 ) } \begin{align*} & \text{Repeat until convergence:} \; \lbrace \\ &{{\theta }_{j}}:={{\theta }_{j}}-\alpha \frac{\partial }{\partial {{\theta }_{j}}}J\left( {\theta_{0}},{\theta_{1}} \right) \\ \rbrace \end{align*} }​Repeat until convergence:{θj​:=θj​−α∂θj​∂​J(θ0​,θ1​)​

直接将线性回归模型公式代入梯度下降公式可得出公式

当 $j=0,j=1$ 时，线性回归中代价函数求导的推导过程：
$$\begin{array}{rl}\frac{\partial }{\partial {\theta }_j}J({\theta }_1,{\theta }_2)& =\frac{\partial }{\partial {\theta }_j}\left(\frac{1}{2m}\sum _{i=1}^m{\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)}^2\right)\\ & =\left(\frac{1}{2m}\ast 2\sum _{i=1}^m\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)\right)\ast \frac{\partial }{\partial {\theta }_j}\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)\\ & =\left(\frac{1}{m}\sum _{i=1}^m\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)\right)\ast \frac{\partial }{\partial {\theta }_j}\left({\theta }_0{x}_0^{(i)}+{\theta }_1{x}_1^{(i)}-y^{(i)}\right)\end{array}$$

所以当 $j=0$ 时：

$$\frac{\partial }{\partial {\theta }_0}J(\theta )=\frac{1}{m}\sum _{i=1}^m\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)\ast x_0^{(i)}$$

所以当 $j=1$ 时：

$$\frac{\partial }{\partial {\theta }_1}J(\theta )=\frac{1}{m}\sum _{i=1}^m\left(h_{\theta }\left(x^{(i)}\right)-y^{(i)}\right)\ast x_1^{(i)}$$
上文中所提到的梯度下降，都为批量梯度下降（Batch Gradient Descent），即每次计算都使用所有的数据集 $\left(\sum _{i=1}^m\right)$ 更新。

由于线性回归函数呈现碗状，且只有一个全局的最优值，所以函数一定总会收敛到全局最小值（学习速率不可过大）。同时，函数 $J$ 被称为凸二次函数，而线性回归函数求解最小值问题属于凸函数优化问题。

另外，使用循环求解，代码较为冗余，后面会讲到如何使用**向量化（Vectorization）**来简化代码并优化计算，使梯度下降运行的更快更好。