(1)线性回归、logistic回归和一般回归.pdfVIP

对回归方法的认识 1 摘要 本报告是在学习斯坦福大学机器学习课程前四节加上配套的讲义后的总结与认识。前四 节主要讲述了回归问题，属于有监督学习中的一种方法。该方法的核心思想是从离散的统计 数据中得到数学模型，然后将该数学模型用于预测或者分类。该方法处理的数据可以是多维 的。 讲义最初介绍了一个基本问题，然后引出了线性回归的解决方法，然后针对误差问题做 了概率解释。 2 问题引入 假设有一个房屋销售的数据如下： 面积(m^2) 销售价钱（万元） 123 250 150 320 87 160 102 220 … … 这个表类似于北京5 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，我们怎么办呢？ 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。 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n (特征的个数，#features) 这个例子的特征是两维的，结果是一维的。然而回归方法能够解决特征多维，结果是一维多 离散值或一维连续值的问题。 3 学习过程 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，我们的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。 4 线性回归 线性回归假设特征和结果满足线性关系。其实线性关系的表达能力非常强大，每个特征 对结果的影响强弱可以有前面的参数体现，而且每个特征变量可以首先映射到一个函数，然 后再参与线性计算。这样就可以表达特征与结果之间的非线性关系。 我们用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，我们可以做出一个估计函数： θ 在这儿称为参数，在这的意思是调整 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。为了如果我们令X0 = 1 ，就可以用向量的方式来表示了： 我们程序也需要一个机制去评估我们θ 是否比较好，所以说需要对我们做出的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，我们称这个函数为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。 至于为何选择平方和作为错误估计函数，讲义后面从概率分布的角度讲解了该公式的来源。 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，和梯度下降法。 5 梯度下降法 在选定线性回归模型后，只需要确定参数θ，就可以将模型用来预测。然而θ 需要在J(θ) 最小的情况下才能确定。因此问题归结为求极小值问题，使用梯度下降法。梯度下降法最大 的问题是求得有可能是全局极小值，这与初始点的选取有关。 梯度下降法是按下面的流程进行的： 1）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。 梯度方向由J(θ)对 θ 的偏导数确定，由于求的是极小值，因此梯度方向是偏导数的反方向。 结果为 迭代更新的方式有两种，一种是批梯度下降，也就是对全部的训练数据求得误差后再对 θ 进行更新，另外一种是增量梯度下降，每扫描一步都要对θ 进行更新。前一种方法能够不断 收敛，后一种方法结果可能不断在收敛处徘徊。 一般来说