1. 机器学习(一)线性回归
给定数据集 D={( x 1 x_1 x1, y 1 y_1 y1),( x 2 x_2 x2, y 2 y_2 y2),…,( x m x_m xm, y m y_m ym)},其中 x i = ( x i 1 ; x i 2 ; . . . ; x i d ) , y i ∈ R x_i = (x_{i1};x{_i2};...;x_{id}),y_i \in R xi=(xi1;xi2;...;xid),yi∈R。“线性回归”(linear regression)试图学的一个线性模型以尽可能地准确预测实值输出标记
当前我只考虑输入属性的数目为一个
对于下面的实现主要给出代码中体现计算的一些公式,在吴恩达老师的视频以及周志华老师的《机器学习》一书中很容易实现,而我后期机器学习基本公式推导、模型讲解以及相关的改进也是基于上述的资料。
1.1最小二乘法
线性回归试图学得
f ( x i ) = ω x i + b f(x_i) = \omega x_i+b f(xi)=ωxi+b
性能度量:均方误差
基于均方误差最小化来进行模型求解的方法称为“最小二乘法”
求得的参数 ω \omega ω和 b b b最优解的闭式解
ω = ∑ i = 1 m y i ( x i − x ) ∑ i = 1 m x i 2 − 1 m ( ∑ i = 1 m x i ) 2 \omega = \frac{\sum_{i=1}^m y_i(x_i-x)}{\sum_{i=1}^m x_i^2-\frac1m(\sum_{i=1}^m x_i)^2} ω=∑i=1mxi2−m1(∑i=1mxi)2∑i=1myi(xi−x)
b = 1 m ∑ i = 1 m ( y i − ω x i ) b = \frac1m \sum_{i=1}^{m}(y_i-\omega x_i) b=m1i=1∑m(yi−ωxi)
具体的matlab代码实现:
function [coef_,intercept_]=Linearmodel_1D(X,y)m = size(X,2);average_x = sum(X)/m;w_t = sum(y.*(X-average_x));w_b = sum(X.^2)-(sum(X)).^2/m;coef_ = w_t/w_b;intercept_ = sum(y-coef_*X)/m;y_predict = coef_*X+intercept_;plot(X,y,'ro',X,y_predict,'b--');legend('Training data','Linear regression');end
1.2 梯度下降
梯度下降采用吴恩达老师课程讲解的内容,具体简单写一下一元线性回归的必备知识点:
假设函数: h θ ( x ) = θ 0 + θ 1 x h_{\theta}(x) = \theta_0+\theta_1 x hθ(x)=θ0+θ1x参数: θ 0 \theta_0 θ0, θ 1 \theta_1 θ1代价函数(Cost function):
J ( θ 0 , θ 1 ) = 1 2 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 J(\theta_0,\theta_1) = \frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2 J(θ0,θ1)=2m1i=1∑m(hθ(x(i))−y(i))2目的: m i n i m i z e θ 0 , θ 1 J ( θ 0 , θ 1 ) minimize_{\theta_0,\theta_1} J(\theta_0,\theta_1) minimizeθ0,θ1J(θ0,θ1)
具体的代码实现:
clc;clear;data = load('test.txt');X = data(:,1);y = data(:,2);[coef,intercep]=Linearmodel_1D(X,y)figure;plot(X,y,'r*');% x加入一列,变成(25,2)m = length(y);X = [ones(m,1),data(:,1)];% 初始化参数theta = zeros(2,1);% Gradient descent settingsiterate = 1000;alpha = 0.01;% 梯度下降,找到最佳参数theta = gradientDescent(X,y,theta,alpha,iterate)hold on;% keep previous plot visibleplot(X(:,2),X*theta,'-');legend('Training data','Linear regression of gradient descent');hold off;
梯度下降函数的具体迭代公式如下:
θ 0 : = θ 0 − α 1 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) \theta_0 := \theta_0-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)}) θ0:=θ0−αm1i=1∑m(hθ(x(i))−y(i))
θ 1 : = θ 1 − α 1 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) \theta_1 := \theta_1-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)}) θ1:=θ1−αm1i=1∑m(hθ(x(i))−y(i))
function theta = gradientDescent(X,y,theta,alpha,num_iters)m = length(y);%样本数量for iter = 1: num_itersH = X*theta;theta_sum = [0;0];%theta_0更新for i = 1:mtheta_sum(1,1)=theta_sum(1,1)+(H(i)-y(i));end% theta_1 更新for i = 1:mtheta_sum(2,1)=theta_sum(2,1)+(H(i)-y(i))*X(i,2);endtheta = theta-(alpha*theta_sum)/m;endend
同时为了比较最下二乘法和梯度下降算法,绘制出两类算法对应的图像以及相应参数如下
最小二乘法 θ 0 \theta_0 θ0=0.7463 θ 1 \theta_1 θ1=1.8745
梯度下降法 θ 0 \theta_0 θ0=-2.448 θ 1 \theta_1 θ1=2.1077
1.3问题
对于上述求得的假设函数应该如何选取?不同的单变量线性回归,不同方法的选取的标准是什么?对于我这个机器新手来说,还需要进一步加深理解,如果有啥大神来了可以帮我解答一下,我会非常感谢的!!