美文网首页
第三章 线性模型

第三章 线性模型

作者: 晨光523152 | 来源:发表于2020-07-08 15:29 被阅读0次

3.1 基本形式

给定由d个属性描述的示例x = (x_{1};x_{2};...,x_{d}),其中x_{i}x在第i个属性上的取值,线性模型试图学得一个通过属性的线性组合来进行预测的函数,
f(x) = w_{1}x_{1} +w_{2}x_{2}+...+w_{d}x_{d}+b
变成向量形式:
f(x)=w^{T}x + b
其中,wb学得之后,模型就得以确定。

许多功能更为强大的非线性模型可在线性模型的基础上通过引入层级结构或高维映射而得。

此外,由于w直观表达了各属性在预测中的重要性,因此线性模型有很好的可解释性。(通过w值的大小判断重要性,值越大,越重要)

3.2 线性回归

给定数据集D=\{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{m},y_{m})\},其中x_{i}=(x_{i1},x_{i2},...,x_{id}),y_{i}\in R
“线性回归”试图学得一个线性模型以尽可能准确地预测实值输出标记。

先考虑一种最简单的情形:输入属性的数目只有一个,也就是D=\{(x_{i},y_{i})\}_{i=1}^{m}
线性回归试图学得:
f(x_{i})=wx_{i} + b, s.t. f(x_{i})\approx y_{i}
试图让均方误差最小,
(w^{*},b^{*}) = \arg\min_{w,b} \sum_{i=1}^{m} (f(x_{i})-y_{i})^{2} \\ =\arg\min_{w,b} \sum_{i=1}^{m}(wx_{i} + b - y_{i})^{2}

均方误差有非常好的几何意义,它对应了常用的欧式距离。

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”。

在线性回归中,最小二乘法就是试图找到一条直线,使得所有样本到直线上的欧式距离之和最小。

求解w,b并且使得均方误差最小化的过程,称为线性回归模型的最小二乘“参数估计”。分别求导等于0,即可求解。

image.png image.png

更一般的情形,样本由d个属性表示,此时成为“多元线性回归”

image.png image.png

令上式等于0,则可得到最优解的闭式解。


image.png

然而,现实任务中X^{T}X往往不是满rank,就不逆。例如,属性的值远远超过样本数目,导致X的列数多于行数。此时,X^{T}X不满rank,具有多个可行解,它们均能使均方误差最小,选择哪一个解作为输出,将由学习算法的归纳偏好决定,常见的做法是引入正则化项。

image.png image.png

更一般地,考虑单调可微函数g(),令

image.png
称其为“广义线性模型”,其中函数称为“联系函数”

3.3 对数几率回归(逻辑回归)

若要做分类任务,只需在广义线性模型中,找一个单调可微函数将分类任务的真实标记y与线性回归模型的预测值联系起来。

image.png

但是单位阶跃函数不连续,因此不能作用到广义线性模型中的g^{-}()

于是希望找到一个近似单位阶跃函数的替代函数,并且希望其单调可微。

对数几率函数(Sigmoid 函数):


image.png

带入到广义线性模型,就得到

image.png

若将y视为样本x成为正例的可能性,则1-y是其反例的可能性,两者的比值叫做几率,为\frac{y}{1-y}

对数几率:ln\frac{y}{1-y}

接着看如何确定公式(3.18)中的wb

image.png

(3.24)应该是通过概率和为1得到,(3.23)是如何得到的,暂时不清楚

image.png image.png

后面这部分没看懂,特别是最小化那一块。

逻辑回归我记得一般是用交叉熵来构建代价函数:
J = -\frac{1}{m}\sum_{i=1}^{m}y_{i}logf(x_{i})+(1-y_{i})log(1-f(x_{i}))

3.5 多分类学习

有些二分类学习方法可直接推广到多分类,但在多数情况下,是基于一些基本策略,利用二分类学习器来解决多分类问题。

考虑N个类别C_{1},C_{2},...,C_{N},多分类学习的基本思路是“拆解法”,也就是将多分类任务拆为若干个二分类任务求解。

image.png

最经典的拆分策略有三种:

  • “一对一”(One vs. One,OvO)
  • “一对其余”(One vs. Rest,OvR)
  • “多对多”(Many vs. Many,MvM)
image.png image.png

OvR 只需训练N个分类器,而OvO需要训练N(N-1)/2个,因此,OvO的存储开销和测试时间开销通常比OvR更大

MvM是每次把若干个类作为正类,若干个其他类作为反类。

MvM的正,反类构造必须有特殊的设计,不能随意选取。书里介绍了一种最常用的MvM技术:“纠错输出码”(Error Correcting Output Codes,简称ECOC)。

image.png

3.6 类别不平衡问题

类别不平衡是指:分类任务中不同类别的训练样例数目差别很大的情况。

image.png

然而,当训练集中正,反例数目不同时,令m^{+}表示正例数目,m^{-}表示反例数目,则观测几率是\frac{m^{+}}{m^{-}}

image.png

这是类别不平横学习的一个基本策略---“再缩放”。

再缩放的思想简单,但是因为“训练集是真实样本总体的无偏采样”这个假设往往不成立,因此实际操作起来麻烦,未必能有效地基于训练集观测几率来推断出真实几率。

现有技术大体上有三类做法:

  • 直接对训练集里的反类样例进行“欠采样”,也就是去除一些反例使得正,反例数目接近。(去掉多的)
  • 直接对训练集里的正类样例进行“过采样”,也就是增加一些正例使得正,反例数目接近。(补少)
  • 基于原始训练集进行学习,但在用训练好的分类器进行预测时,将式(3.48)嵌入到其决策过程中,称为“阈值移动”

欠采样法的时间开销远小于过采样法(欠采样使得训练集合变小,过采样使得训练集变大)

但是欠采样法如果随机丢弃反例,可能丢失一些重要信息(欠采样法的代表性算法EasyEnsemble)

过采样法不能简单地对初始正例样本进行重复采样,否则会招致严重的过拟合。(过采样的代表性算法SMOTE)

image.png

最后这个“再缩放”是常用的,在损失函数那里加一个权重。

参考资料:
西瓜书

https://www.bilibili.com/video/BV17J411C7zZ?p=51

相关文章

  • Day 3 -- 线性模型(上篇)

    第三章线性模型 本节文章主要讨论线性模型的回归,属于线性模型上篇,主要介绍线性模型的基本形式,线性模型的回归原理以...

  • 机器学习(3)

    本章节是对我学习完机器学习(周志华)第三章 所做出来的总结 第三章 线性模型 3.1 基本形式 线性模型形式简单、...

  • 西瓜书第3章-线性模型

    西瓜书的第三章,主要讲解的是线性模型相关知识 基本形式 给定d个属性描述的示例;线性模型通过学习到的一个属性的线性...

  • 《机器学习》西瓜书学习笔记(二)

    上一篇笔记在这里:《机器学习》西瓜书学习笔记(一) 第三章 线性模型 3.1 基本形式 线性模型:试图学得一个通过...

  • 神经网络与深度学习第三章阅读

    第三章线性模型 线性模型的公式 W是d维权重集合, X是d维样本集合, 得到的预测结果y,,但是这个结果是一些离散...

  • Logistic Regression的理解

    今天学习了周志华教授的西瓜书的第三章 - 线性模型,在知乎上看到了一些关于线性模型不错的理解,在此记录和分享一下 ...

  • 机器学习 西瓜书 Day03 线性模型

    p53-72 第三章 线性模型 3.1 基本形式 p33 3.2 线性回归 3.3 对数几率回归 为了解决分类问题...

  • logistics回归分类

    logistics回归分类模型和线性模型的关系非常密切;区分下线性回归模型和线性模型;线性模型:自变量和因变量之间...

  • 2019-02-21

    ML——线性模型 基本形式 线性模型就是用于预测的模型是线性的,模型形式如下: ...

  • Linear mixed effects models

    提到线性模型可能会联想到三大类: 一般线性模型 广义线性模型 混合线性模型 一般线性模型比较简单,模拟线性关系,求...

网友评论

      本文标题:第三章 线性模型

      本文链接:https://www.haomeiwen.com/subject/vuzrqktx.html