Stanford Machine Learning 公开课笔记(1) Linear Regression

个人觉得这篇笔记写的比较适合我，就转载过来了：

转载链接：http://blog.csdn.net/feliciafay/article/details/22985917

课程引入

1 Regression和Classification的区别

   Regression: to predict the continuous valued output.

   Classification: to predict the discrete valued output.

2 如何用ML algorithm处理有infinite number of features?

   SVM会有mathematical trick to allow computer to deal with infinite number of features without exhausting the memory.

3 Cocktail Party Algorithm 问题

   Microphone1 有speaker1和speaker2的声音的混合，Microphone2也有speaker1和speaker2的声音的混合，如何从中清晰地分离出speaker1和  speaker2的声音呢？可以使用ML算法。

4选什么工具

   Trust Professor，在学习Machine Learning时候使用的工具是 Octave or Matlab，比Java/C++更快

5 Supervised Learning和Unsupervised Learning的区别

   Supervised Learning有labeled data,但是Unsupervised Learning没有

---

Cost Function， 求最小值，局部最优和全局最优

1 如下图，是线性回归(假设只有两个参数)cost function的可视化图形表达，是个(bowl)碗型平面

2 关于求导数的复习

2.1关于求导法则http://wenku.baidu.com/view/ace4483131126edb6f1a10ea.html

2.2 复合函数的导数的链式法则http://zh.wikipedia.org/wiki/%E9%93%BE%E5%BC%8F%E6%B3%95%E5%88%99

2.3 乘积求导法则配合复合函数求导法则使用http://wenku.baidu.com/view/ace4483131126edb6f1a10ea.html

2.4* 二阶偏导数http://wenku.baidu.com/view/7f549e225901020207409c9d.html

2.5* 隐函数的一阶求导和二阶求导http://sxyd.sdut.edu.cn/gaoshu2/lesson/8.5yinhanshuqiudao.htm

3 有没有可能gradient descent找到的是局部最优？ 有可能。

    Gradient Descent(梯度下降的)方法可能跳不出局部最优。 但是，对只有2个变量的线性函数的模型而言，由于cost function是一个凸函数，所以只有一个最优点，所以局部最优就是全局最优。

Contour Plot

如下，把bowl压扁了就是contour plot，每个圈圈上的点都有相同的J(θ₀,θ₁)取值

Gradient Descent

如上面2图，θ0减去α*偏导数的目的是为了使得θ，向着bowl平面的最低点聚拢，也就是向着二次函数的中间点聚拢。

局部最优

如上图，是公式的含义，Gradient Descent的工作机制是，as we approach a local minimum, Learning rate α will automatically take smaller steps, thus no need to decrease α over time.

如上图，如果learning rate α过大过小会怎样?

---

Linear Regression with Multiple Variables

如上图，各种变量的含义

如上图，说明了在多变量的情况下，如何在每步使用Gradient Descent对进行更新。

Feature Scaling make sure that features are on a similar scale

如上图，做Feature Scaling的好处是，可以尽可能低使得contour长得像个circle，所以gradient descent在找寻global minimun的过程中就会有更加直接的路径(右图)，而不是像左图那样。

如上图，对feature的取值做处理通常包含两件事情，1 feature scaling 2 mean normalization

Debugging and make sure that gradient descent works well

如上图，有两种办法，分别在竖线左边和竖线右边。

第一种:    作图，看看是否随着iteration的进行，min J(θ)是先减小然后逐渐flatten的趋势

第二种:    automatic convergence test，难点是很难找到合适的threshold

常见错误 learning rate α 取值过大

如何选择合适的learning rate? try!

如何选择合适的特征-(1)一个例子

如上图，特征1“房屋的长”， 特征2“房屋的深”，从特征1和特征2可以构造一个新的特征，特征1-new “房屋的面积”。

在Polynomial Regression中应该如何选

(0)比如应该选择2次函数模型还是2次函数模型呢?

(1) 如上图，将这个问题映射为多元回归求解。

如果使用一次函数模型，将x1=house size放入多元回归求解，转化为梯度下降求解的问题。

如果使用二次函数模型，将x2=square (house size)和x1共同作为2个变量放入多元回归求解，转化为梯度下降求解的问题。

如果使用三次函数模型，将x3=cubic(house size),和x2,x1共同作为3个变量放入多元回归求解，转化为梯度下降求解的问题。

(2) 如上图，在上面的转化为多元回归求解的过程中，feature scaling 非常重要

(3) 也要结合问题的实际意义，比如根据房子的面积预测房价，就不太可能选择二次函数，因为房价只会随着面积的增加逐渐增加，不太可能随着面积的增加先增大后减小。

Normal Equation

(0)和Gradient Descent并列的一种办法，用来就求使得min J(θ)=min时的θ

如上图，使用偏导数方法对求出极值。

step 1, take the partial derivative of J, with respect to every parameter of θ J in turn,

step 2,  set all of these to 0.

step 3, solve for the values of θ₀ ,θ₁,…,up to θN

step 4, this would give you that values of θ to minimize the cost function J.

如上图，使用矩阵方法求出了θ的最优值，这里不进行数学证明。 具体步骤如下:

如上图，展示了矩阵算法的具体步骤

如上图，在octave中的计算如上。

另外注意1，如果使用了octave，那么feature scaling 其实并不是necessary了(why ?)

另外注意2， octave中的pinv()函数和inv()函数都可以用来计算矩阵的transpose，但是pinv()函数对于即使non-invertible的矩阵，也可以最终计算出θ

另外注意3，什么时候transpose(X)*X无法求逆? 一，有redundant features(如面积和m²，需要去掉重复)，二，m<n(特征数大于样本数，需要做regulation)

Andrew说，Normal Equation对于特征数n<10000的线性回归，是很好用的。但是当非线性回归时，无法用Normal Equation，并且， 当线性回归的特征数>10000时，工程上Normal Equation 是unscalable的，时间复杂度陡然上升到不能忍的程度了