(昆明理工大学人工智能实验二.docVIP

昆明理工大学信息工程与自动化学院学生实验报告 （ 2011 —2012 学年 第 1 学期 ） 课程名称：人工智能 开课实验室： 444 2011年 12 月 23日 年级、专业、班 计科093 学号 200910405310 姓名 孙浩川 成绩 实验项目名称 线性回归、梯度下降 指导教师 王剑 教师评语 该同学是否了解实验原理： A.了解□ B.基本了解□ C.不了解□ 该同学的实验能力： A.强 □ B.中等 □ C.差 □ 该同学的实验是否达到要求： A.达到□ B.基本达到□ C.未达到□ 实验报告是否规范： A.规范□ B.基本规范□ C.不规范□ 实验过程是否详细记录： A.详细□ B.一般 □ C.没有 □ 教师签名： 年 月 日 回归在数学上来说是给定一个点集，能够用一条曲线去拟合之，如果这个曲线是一条直线，那就被称为线性回归，如果曲线是一条二次曲线，就被称为二次回归。 举个例子，做一个房屋价值的评估系统，一个房屋的价值来自很多地方，比如说面积、房间的数量（几室几厅）、地段、朝向等等，这些影响房屋价值的变量被称为特征(feature)，feature在机器学习中是一个很重要的概念，有很多的论文专门探讨这个东西。在此处，为了简单，假设我们的房屋就是一个变量影响的，就是房屋的面积。 假设有一个房屋销售的数据如下： 这个表类似于帝都5环左右的房屋价钱，我们可以做出一个图，x轴是房屋的面积。y轴是房屋的售价，如下： 如果来了一个新的面积，假设在销售价钱的记录中没有的，我们可以用一条曲线去尽量准的拟合这些数据，然后如果有新的输入过来，我们可以在将曲线上这个点对应的值返回。如果用一条直线去拟合，可能是下面的样子： 绿色的点就是我们想要预测的点。 首先给出一些概念和常用的符号，在不同的机器学习书籍中可能有一定的差别。 房屋销售记录表 - 训练集(training set)或者训练数据(training data), 是我们流程中的输入数据，一般称为x。房屋销售价钱 - 输出数据，一般称为y。拟合的函数（或者称为假设或者模型），一般写做 y = h(x)。训练数据的条目数(#training set), 一条训练数据是由一对输入数据和输出数据组成的。输入数据的维度(特征的个数，#features)，n。 下面是一个典型的机器学习的过程，首先给出一个输入数据，算法会通过一系列的过程得到一个估计的函数，这个函数有能力对没有见过的新数据给出一个新的估计，也被称为构建一个模型。就如同上面的线性回归函数。 用X1，X2..Xn 去描述feature里面的分量，比如x1=房间的面积，x2=房间的朝向，等等，可以做出一个估计函数： θ在这儿称为参数，意思是调整feature中每个分量的影响力，就是到底是房屋的面积更重要还是房屋的地段更重要。为了如果令X0 = 1，就可以用向量的方式来表示了： 程序也需要一个机制去评估我们θ是否比较好，所以说需要对做出的h函数进行评估，一般这个函数称为损失函数（loss function）或者错误函数(error function)，描述h函数不好的程度，在下面，称这个函数为J函数。 在这儿我们可以做出下面的一个错误函数： 这个错误估计函数是去对x(i)的估计值与真实值y(i)差的平方和作为错误估计函数，前面乘上的1/2是为了在求导的时候，这个系数就不见了。 如何调整θ以使得J(θ)取得最小值有很多方法，其中有最小二乘法(min square)，是一种完全是数学描述的方法，在stanford机器学习开放课最后的部分会推导最小二乘法的公式的来源，这个来很多的机器学习和数学书上都可以找到，这里就不提最小二乘法，而谈谈梯度下降法。 梯度下降法是按下面的流程进行的： 首先对θ赋值，这个值可以是随机的，也可以让θ是一个全零的向量。 2）改变θ的值，使得J(θ)按梯度下降的方向进行减少。 为了更清楚，给出下面的图： 这是一个表示参数θ与误差函数J(θ)的关系图，红色的部分是表示J(θ)有着比较高的取值，我们需要的是，能够让J(θ)的值尽量的低。也就是深蓝色的部分。θ0，θ1表示θ向量的两个维度。 在上面提到梯度下降法的第一步是给θ给一个初值，假设随机给的初值是在图上的十字点。 然后我们将θ按照梯度下降的方向进行调整，就会使得J