机器学习线性回归
Posted 宣之于口
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习线性回归相关的知识,希望对你有一定的参考价值。
线性回归
一、单变量线性回归
1. 假设函数(Hypothesis Function)
因为只含有一个特征/输入变量,因此这样的问题叫作单变量线性回归问题: h θ ( x ) = θ 0 + θ 1 x h_\\theta(x) = \\theta_0 + \\theta_1x hθ(x)=θ0+θ1x
假设有以下的训练集, 我们假设 θ 0 = 2 θ_0=2 θ0=2 和 θ 1 = 2 θ_1=2 θ1=2, 则假设函数为 y = 2 + 2 x y=2+2x y=2+2x. 当x=1时, y=4.
2.代价函数(Cost Function)
为模型选择合适的参数 θ 0 θ_0 θ0 和 θ 1 θ_1 θ1。我们的目标便是选择出可以使得建模误差的平方和能够最小的模型参数,
使得代价函数最小: J ( θ 0 , θ 1 ) = 1 2 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 J\\left( \\theta_0, \\theta_1 \\right) = \\frac12m\\sum\\limits_i=1^m \\left( h_\\theta(x^(i))-y^(i) \\right)^2 J(θ0,θ1)=2m1i=1∑m(hθ(x(i))−y(i))2
代价函数也被称作平方误差函数,有时也被称为平方误差代价函数。求出 θ 0 θ_0 θ0 和 θ 1 θ_1 θ1使得假设函数尽可能多的通过训练集,需要指出的是当 J ( θ 0 , θ 1 ) = 0 J(θ_0,θ_1)=0 J(θ0,θ1)=0时, 我们的假设函数应该通过所有的训练集。
E.G. 我们通过下训练集, 来学习如何计算J(θ):
- x = 1, y = 1
- x = 2, y = 2
- x = 3, y = 3
当 θ 0 θ_0 θ0=0时: J ( θ 0 ) = 1 2 ∗ 3 ∗ ( 1 2 + 2 2 + 3 3 ) = 14 6 J(\\theta_0) = \\frac12*3*(1^2+2^2+3^3)=\\frac146 J(θ0)=2∗31∗(12+22+33)=614
3. 梯度下降(Gradient Descent)
梯度下降是一个用来求函数最小值的算法,我们将使用梯度下降算法来求出代价函数 J ( θ 0 , θ 1 ) J(θ_0,θ_1) J(θ0,θ1) 的最小值。
梯度下降背后的思想是:开始时我们随机选择一个参数的组合 θ 0 , θ 1 . . . θ n θ_0,θ_1 ... θ_n θ0,θ1...θn ,计算代价函数,然后我们寻找下一个能让代价函数值下降最多的参数组合。我们持续这么做直到找到一个局部最小值(local minimum),因为我们并没有尝试完所有的参数组合,所以不能确定我们得到的局部最小值是否便是全局最小值(global minimum),选择不同的初始参数组合,可能会找到不同的局部最小值。
批量梯度下降公式(batch gradient descent): θ j : = θ j − α ∂ ∂ θ j J ( θ 0 , θ 1 ) θ_j := θ_j−α\\frac∂∂θ_jJ(θ_0,θ_1) θj:=θj−α∂θj∂J(θ0,θ1)
其中α
是学习率(learning rate),它决定了我们沿着能让代价函数下降程度最大的方向向下迈出的步子有多大,在批量梯度下降中,我们每一次都同时让所有的参数减去学习速率乘以代价函数的导数。由切线可见, 随着斜率的变化,越接近最低点,切线值变化越小。当到达最低点时,切线值接近于0, 得到局部最优解。
同步更新
在梯度下降算法中,需要注意同步更新,即梯度下降中,更新J(θ0)和J(θ1) 时,需要同时更新θ0和θ1
4. 线性回归运用梯度下降
对我们之前的线性回归问题运用梯度下降法,关键在于求出代价函数的导数,即: ∂ ∂ θ j J ( θ 0 , θ 1 ) = ∂ ∂ θ j 1 2 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 \\frac\\partial \\partial \\theta _jJ(\\theta _0,\\theta _1)=\\frac\\partial \\partial \\theta _j\\frac12m\\sum\\limits_i=1^m\\left( h_\\theta (x^(i))-y^(i) \\right)^2 ∂θj∂J(θ0,θ1)=∂θj∂2m1i=1∑m(hθ(x(i))−y(i))2
代入计算可得: θ 0 : = θ 0 − a 1 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) \\theta_0:=\\theta_0-a\\frac1m\\sum\\limits_i=1^m\\left(h_\\theta (x^(i))-y^(i)\\right) θ0:=θ0−am1i=1∑m(hθ(x(i))−y(i)) 以及: θ 1 : = θ 1 − a 1 m ∑ i = 1 m ( ( h θ ( x ( i ) ) − y ( i ) ) ⋅ x ( i ) ) \\theta_1:=\\theta_1-a\\frac1m\\sum\\limits_i=1^m\\left(\\left(h_\\theta (x^(i))-y^(i) \\right)\\cdot x^(i) \\right) 以上是关于机器学习线性回归的主要内容,如果未能解决你的问题,请参考以下文章