1、基本概念

要進(jìn)行機(jī)器學(xué)習(xí)，首先要有數(shù)據(jù)。從數(shù)據(jù)中學(xué)得模型的過(guò)程稱(chēng)為“學(xué)習(xí)”或“訓(xùn)練”。其對(duì)應(yīng)的過(guò)程中有幾個(gè)基本術(shù)語(yǔ)需要知道。

（1）訓(xùn)練集：模型訓(xùn)練過(guò)程中使用的數(shù)據(jù)稱(chēng)為訓(xùn)練集，其中每個(gè)樣本稱(chēng)為訓(xùn)練樣本。如：D={X1,X2,X3,…,Xm}。

（2）特征向量：對(duì)于每個(gè)樣本如Xi = (xi1, xi2,…xin)是一個(gè)n維列向量，表示樣本Xi有n個(gè)屬性。

2、理論

給定由n個(gè)屬性描述而成的m個(gè)數(shù)據(jù)集為：D={X1,X2,X3,…,Xm}，其中Xi = (xi1, xi2,…xin)。

線性模型是試圖學(xué)得一個(gè)通過(guò)屬性的線性組合來(lái)進(jìn)行預(yù)測(cè)的函數(shù)，即：

其中，其中。當(dāng)Θ和b確定之后，模型就得以確認(rèn)。

2.1 線性回歸

2.1.1 什么是回歸

若我們欲預(yù)測(cè)的是連續(xù)值，如：房?jī)r(jià)，則此類(lèi)學(xué)習(xí)任務(wù)稱(chēng)為“回歸”。同理機(jī)器學(xué)習(xí)中還有“分類(lèi)”任務(wù)，即我們欲預(yù)測(cè)的是離散值，如：“合格”、“不合格”。其中對(duì)于二分類(lèi)任務(wù)，稱(chēng)為“正類(lèi)”、“負(fù)類(lèi)”；涉及多個(gè)類(lèi)別時(shí)，則稱(chēng)為“多分類(lèi)”任務(wù)。

在線性模型中，我們分為線性回歸與邏輯回歸兩種模型，下面我們對(duì)兩種模型分別進(jìn)行講解分析。

圖1 線性回歸

圖2 邏輯回歸

2.1.2 線性回歸推導(dǎo)

1、線性回歸試圖學(xué)得：

2、參數(shù)估計(jì)

（1）首先衡量f(X)與Y之間的差別，我們使用均方誤差來(lái)衡量。

均方誤差的推導(dǎo)過(guò)程如下：

擬合函數(shù)為：

矩陣形式為：

真實(shí)值和預(yù)測(cè)值之間通常情況下是會(huì)存在誤差的，我們用ε來(lái)表示誤差，對(duì)于每個(gè)樣本都有：

通常我們假設(shè)樣本空間中全體樣本中服從一個(gè)未知“分布”，我們獲得的每個(gè)樣本都是獨(dú)立地從這個(gè)分布上采樣獲得的，即“獨(dú)立同分布”(iid)。

在這里誤差ε是獨(dú)立并且具有相同的分布，并且服從均值為0，方差為的正態(tài)分布。

由于誤差服從正態(tài)分布，那么有：

將(5)代入到(6)可得：

用似然函數(shù)進(jìn)行估計(jì)，即求出什么樣的參數(shù)跟我們給出的數(shù)據(jù)組合后能更好的預(yù)測(cè)真實(shí)值，有：

對(duì)式8取對(duì)數(shù)，將連乘轉(zhuǎn)化為加法為：

對(duì)式9展開(kāi)化簡(jiǎn)為：

由上式可以看出，右邊第一項(xiàng)為一個(gè)常量，似然函數(shù)要取最大值，因而第二項(xiàng)越小越好，有：

上述公式相當(dāng)于最小二乘法的式子，即為均方誤差的式子。

（2）求解Θ：閉式解。

我們?cè)噲D讓均方誤差最小化，即

基于均方誤差最小化來(lái)進(jìn)行模型求解的方法稱(chēng)為“最小二乘法”。在線性回歸中，最小二乘法就是試圖找到一條直線，使所有樣本到直線上的歐式距離之和最小。求解方法為對(duì)Θ求偏導(dǎo)。

接下來(lái)需要對(duì)矩陣求偏導(dǎo)，過(guò)程如下:

最后令可得：

s.t.為滿秩矩陣時(shí)。

在現(xiàn)實(shí)中往往不是滿秩矩陣，在許多變量中會(huì)遇到大量的變量，其數(shù)目超過(guò)樣本數(shù)目，會(huì)導(dǎo)致解出多個(gè)Θ，常見(jiàn)的做法是引入正則化或者進(jìn)行降維。

（3）求解Θ：梯度下降法。

沿著函數(shù)梯度方向下降最快的就能找到極小值:

沿著梯度方向更新參數(shù)Θ的值:

批量梯度下降是用了訓(xùn)練集中的所有樣本。因此在數(shù)據(jù)量很大的時(shí)候，每次迭代都要遍歷訓(xùn)練集一遍，開(kāi)銷(xiāo)會(huì)很大，所以在數(shù)據(jù)量大的時(shí)候，可以采用隨機(jī)梯度下降法或者批量梯度下降法。

2.2 邏輯回歸

對(duì)于分類(lèi)任務(wù)，用線性回歸無(wú)法直接進(jìn)行回歸學(xué)習(xí)。對(duì)于二分類(lèi)任務(wù)，其輸出標(biāo)記，而線性回歸模型產(chǎn)生的預(yù)測(cè)值是實(shí)值。

2.2.1 對(duì)數(shù)幾率

一個(gè)事件的幾率是指該事件發(fā)生的概率與該事件不發(fā)生的概率的比值。p(Y=1|X)是指事件發(fā)生的條件概率，p(Y=0|X)是指事件不發(fā)生的條件概率，則該事件的對(duì)數(shù)幾率或logit函數(shù)是：

對(duì)數(shù)幾率范圍為[0,+∞)，當(dāng)p=1時(shí)候，logit(p)=+∞，當(dāng)p=0時(shí)候，logit(p)=0。

對(duì)于邏輯回歸而言，有：

將其Θ*X轉(zhuǎn)換為概率有：

其中

也稱(chēng)為sigmoid函數(shù)，函數(shù)圖如下所示：

圖3 Sigmoid函數(shù)圖

2.2.2 參數(shù)估計(jì)

在邏輯回歸進(jìn)行模型學(xué)習(xí)時(shí)，應(yīng)用極大似然估計(jì)來(lái)估計(jì)模型參數(shù)：

對(duì)式22取對(duì)數(shù)，將連乘轉(zhuǎn)化為加法為：

上述公式為求解邏輯回歸的損失函數(shù)：交叉熵?fù)p失函數(shù)。

然后對(duì)J(Θ)進(jìn)行求偏導(dǎo)，求最小值，得到Θ的估計(jì)值。沿著函數(shù)梯度方向下降就能最快的找到極小值:

沿著梯度方向更新參數(shù)Θ的值:

3、實(shí)戰(zhàn)

3.1 線性回歸實(shí)戰(zhàn)

3.1.1 從零開(kāi)始實(shí)現(xiàn)

1、首先生成數(shù)據(jù)集

num_inputs = 2 # 數(shù)據(jù)集的屬性 n : 2num_examples = 1000 # 數(shù)據(jù)集的樹(shù)木 m : 1000true_w = [2, -3.4]true_b = 4.2 features = torch.randn(num_examples, num_inputs, dtype=torch.float32) # 輸入labels = true_w[0]*features[:, 0] + true_w[1]*features[:, 1] + true_b # 標(biāo)簽labels+=torch.tensor(np.random.normal(0,0.01,size=labels.size()),dtype=torch.float32)#加上一些隨機(jī)噪聲

進(jìn)行可視化后，如下圖所示：

圖4 數(shù)據(jù)集

2、數(shù)據(jù)讀取

def data_iter(batch_size, features, labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i : min(i + batch_size, num_examples)])yieldfeatures.index_select(0,j),labels.index_select(0,j)

如：當(dāng)batch_size=10時(shí)，我們的輸出結(jié)果如下所示：

第一個(gè)為輸入x（size=[10, 2]），第二個(gè)為標(biāo)簽y（size=[10]）。

3、定義線性回歸模型

def LinReg(X, w, b):returntorch.mm(X,w)+b#torch.mm表示兩個(gè)矩陣相乘，[batch_size,num_inputs]*[num_inputs,1]=[batch_size,1]

4、定義損失函數(shù)

# 線性回歸模型的損失函數(shù)為均方差損失函數(shù)def squared_loss(y_hat, y):return(y_hat-y.view(y_hat.size()))**2/2

5、定義優(yōu)化算法

# 這里我們使用梯度下降算法：sdgdef sgd(params, lr, batch_size): for param in params:param.data-=lr*param.grad/batch_size

6、進(jìn)行訓(xùn)練

訓(xùn)練步驟如下：

（1）首先讀取一個(gè)batch_size的數(shù)據(jù)和標(biāo)簽
（2）然后進(jìn)行模型計(jì)算；
（3）然后計(jì)算損失函數(shù)；
（4）然后反向求導(dǎo)優(yōu)化參數(shù)；

lr = 0.03num_epochs = 3net = LinRegloss = squared_loss for epoch in range(num_epochs): # 訓(xùn)練模型一共需要num_epochs個(gè)迭代周期 # 在每一個(gè)迭代周期中，會(huì)使用訓(xùn)練數(shù)據(jù)集中所有樣本一次（假設(shè)樣本數(shù)能夠被批量大小整除）。X # 和y分別是小批量樣本的特征和標(biāo)簽 for X, y in data_iter(batch_size, features, labels): l = loss(net(X, w, b), y).sum() # l是有關(guān)小批量X和y的損失 l.backward() # 小批量的損失對(duì)模型參數(shù)求梯度 sgd([w, b], lr, batch_size) # 使用小批量隨機(jī)梯度下降迭代模型參數(shù) # 不要忘了梯度清零 w.grad.data.zero_() b.grad.data.zero_() train_l = loss(net(features, w, b), labels)print('epoch%d,loss%f'%(epoch+1,train_l.mean().item()))

最后輸出結(jié)果如下所示：

epoch 1, loss 0.044750epoch 2, loss 0.000172epoch3,loss0.000049

3.2 邏輯回歸實(shí)戰(zhàn)

邏輯回歸相比線性回歸中，改變的地方為第3步：模型函數(shù) 和 第4步：損失函數(shù)。

3.2.1 從零實(shí)現(xiàn)邏輯回歸

3、定義邏輯回歸模型

def sigmoid(X, w, b): ''' 定義sigmoid函數(shù) :param x: 參數(shù)x 返回計(jì)算后的值 ''' z = torch.mm(X, w) + breturn1.0/(1+np.exp(-z))

4、定義損失函數(shù)

# 在邏輯回歸中，我們使用的是對(duì)數(shù)損失函數(shù)（交叉熵?fù)p失函數(shù)）def BCE_loss(y_hat, y): ''' 損失函數(shù) :param y_hat: 預(yù)測(cè)值 :param y: 實(shí)際值 loss ''' m = np.shape(y_hat)[0] loss = 0.0 for i in range(m): if y_hat[i, 0] > 0 and (1 - y_hat[i, 0]) > 0: loss-= (y[i, 0] * np.log(y_hat[i, 0]) + (1 - y[i, 0]) * np.log(1 - y_hat[i, 0])) else: loss-= 0.0returnloss/m

責(zé)任編輯：xj

原文標(biāo)題：【機(jī)器學(xué)習(xí)】線性回歸與邏輯回歸的理論與實(shí)戰(zhàn)

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。