计算机视觉漫谈（3）

计算机视觉漫谈（3）

学号:14020199025

姓名:徐铭晟

【嵌牛导读】：前段时间讲了最简单的分类算法：KNN，由此引入机器学习。在机器学习中，特别是监督学习中，算法纷繁复杂，但又大同小异。今天谈谈线性回归算法。

【嵌牛鼻子】：监督学习 线性回归 图像分类

【嵌牛正文】：

前段时间讲了最简单的分类算法：KNN，由此引入机器学习。在机器学习中，特别是监督学习中，算法纷繁复杂，但又大同小异。今天谈谈线性回归算法。

线性回归，说穿了就是拿出一条直线，拟合所有的数据点。拿吴恩达老师上课的例子：

这张图很好地阐明了这个算法的基本思想：构造一条直线，将直线的点与所有点的误差做累加，以此作为代价函数。对代价函数进行优化，我们就可以得到理想的直线。

有了这条直线，我们就可以通过房间的大小预测房价。

用数学表达式可写作：

我们可以看出，这个代价函数对于a,b是有闭式解的。当然除了驻点求最优解，我们还可以通过一些搜索算法求解，如牛顿迭代法，梯度下降法。这里略微提一下梯度下降：

梯度下降法的数学形式是：

为什么要利用梯度呢？当然线性模型，特别是这种一阶线性模型，非常简单，单单用闭式解就可以得到。但是当代价函数的最小值无法通过这种方法得到，自然就得求助于迭代算法，梯度下降也就派上了用场。

这个公式里，aplha，为迭代步长，又称为学习率。机器学习有人说是一门手艺活，各种玄学调参，这个学习率呢，也算调参的一个。当这个值越小，越容易梯度下降至局部最优点，越大，则越容易导致不收敛。发展至今学习率也不一定是常数的了，各种变种梯度下降算法，如moment，adam，可看看《deep learning》，里面有详细2介绍。

那如何利用此来学习图片分类？很自然的想法就是将图片像素拉伸成一维向量，并合理选取a,b的数目。对于特定分类的图片，利用之前的函数表达式训练，得到每一类的a,b等等。根据不同类产生的a,b，给定待分类图片，即可求出cost函数值。于是哪个cost函数值小，图片就应该分为该类

在实际过程中，我们很容易发现，这个模型缺点很明显。数据点有时候完全不按照直线分布，即拟合很差，如何解决，请看下讲。