神经网络回归与线性模型

Posted ViperL1

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了神经网络回归与线性模型相关的知识,希望对你有一定的参考价值。

一、线性回归

        需要通过训练集求解x,y之间的映射关系

         1.线性回归

                ①模型

                        

                        增广权重向量&增广特征向量:在x和上添加一个b,可将模型中原有的b消除。

                        模型转换为: 

                 ②训练集D上的经验风险

                        

                                X矩阵:其中每行为一个样本

                                Y向量:列向量,每一列为一个结果

                                        

                ③经验风险最小化

                                以此公式求解w

                推导

                        

                        

                                 条件:必须存在

                                若不存在(特征之间存在共线性),可以采用以下两种方法求解

                                ①SGD(随机数下降)  ②降维  

                结构风险 ,其中被称为正则化项为正则化参数。

                        使其最小化

!!!Attention矩阵微积分

         2.多项式回归

                ①模型

                                多项式曲线拟合

                ②损失函数

                        

                ③经验风险最小化

                        求解过程与线性回归类似

                ④选择合适的多项式次数

                         控制过拟合:正则化

                                惩罚大的系数

                                其中正则化项正则化系数

                         控制过拟合:增加训练样本数量

        3.从概率视角来看线性回归

                 ①似然函数

                        参数w固定时,描述随机变量x的分布情况,称p(x;w)为概率

                        已知随机变量x时,不同参数w对其分布的影响,称p(x;w)为似然

                        线性回归中的似然函数

                                                                                       

                ②最大似然估计

                        求一组参数w,使取最大值(求导)

                ​​​​​​​        ​​​​​​​        

                ③贝叶斯学习

                        将参数w也视为随机变量;给定一组数据X,求参数w的分布p(w|X),也称后验分布

                        贝叶斯公式

                        先验:        后验 正比于  似然 X 先验

                         最大后验估计

                                                                      正则化系数

                ⑤四种准则

平方误差经验风险最小化
结构风险最小化
概率最大似然估计(XX^T)^-1Xy
最大后验估计

         4.模型选择

                        模型越复杂,训练错误越低;

                        但不能以训练错误高低来选择模型;

                        选择模型时,测试集不可见。

                ①引入验证集

                可将训练集分为两部分训练集验证集在验证集上挑选一个错误最小的模型

                解决数据稀疏问题(样本过少):交叉验证,将训练集分为S组,每次使用S-1组作为训练集,剩下一组作验证集;取验证集平均性能最好的一组

                 ②使用准则

                        赤池信息量准则、贝叶斯信息准则

                ③偏差-方差分解

                        平衡模型复杂度期望风险

                        期望风险

                        最优模型

                        期望风险可以分解为:

                                                        

                                 通常由样本分布噪声引起,无法通过优化模型消除。

                        目的:模型与最优模型尽可能贴近

                         由偏差与方差进行模型选择

                         随着模型复杂度↑,方差↑,偏差↓

        5.常用定理

                ①没有免费午餐定理

                        不存在某种算法对所有问题都有效

                ②丑小鸭定理

                        丑小鸭与白天鹅之间的区别和两只白天鹅之间的区别一样大(未给定具体条件的情况下)

                ③奥卡姆剃刀定理

                        若无必要,勿增实体

                ④归纳偏置

                        做出的假设称为归纳偏置,在贝叶斯学习中称为先验

                ⑤PAC学习

                        由大数定律,训练集趋于无穷大时,泛化误差趋近于0

                        

                        ​​​​​​​

以上是关于神经网络回归与线性模型的主要内容,如果未能解决你的问题,请参考以下文章

怎么对多元线性回归模型的回归系数β做t检验和F检验

关于多元线性回归模型的显著性检验

R语言glm拟合logistic回归模型:输出logistic回归的summary信息可视化logistic回归模型的系数logistic回归模型分类评估计算(混淆矩阵accuracy偏差)

机器学习 多项式回归与模型泛化(下)

R语言广义线性模型函数GLMglm函数构建泊松回归模型(Poisson regression)分析模型是否过离散(Overdispersion)使用残差偏差与模型中的剩余自由度的比率值评估

线性模型系数解读中的那些坑,以套索回归(LASSO)和岭回归(Ridege)为例