机器学习基石11-Linear Models for Classification
注：
文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。
笔记原作者：红色石头
微信公众号：AI有道
上一节课，我们介绍了Logistic Regression问题，建立cross-entropy error，并提出使用梯度下降算法gradient descent来获得最好的logistic hypothesis。本节课继续介绍使用线性模型来解决分类问题。
一、Linear Models for Binary Classification
之前介绍的几种线性模型都有一个共同点，就是都有样本特征\(x\)的加权运算，我们引入一个线性得分函数\(s\)：$$s=w^Tx$$三种线性模型，第一种是linear classification。线性分类模型的hypothesis为\(h(x)=sign(s)\)，取值范围为\({-1,+1}\)两个值，它的err是\(0/1\)的，所以对应的\(E_{in}(w)\)是离散的，并不好解，这是个NP-hard问题。第二种是linear regression。线性回归模型的hypothesis为\(h(x)=s\)，取值范围为整个实数空间，它的err是squared的，所以对应的\(E_{in}(w)\)是开口向上的二次曲线，其解是closed-form的，直接用线性最小二乘法求解即可。第三种是logistic regression。逻辑回归模型的hypothesis为\(h(x)=\theta(s)\)，取值范围为\((0,1)\)之间，它的err是cross-entropy的，对应的\(E_{in}(w)\)是平滑的凸函数，可以使用梯度下降算法求最小值。
从上图中，我们发现，linear regression和logistic regression的error function都有最小解。那么可不可以用这两种方法来求解linear classification问题呢？下面，我们来对这三种模型的error function进行分析，看看它们之间有什么联系。
对于linear classification，它的error function可以写成：$$err_{0/1}(s,y)=[ sign(s)\neq y] =[ sign(ys)\neq 1]$$
对于linear regression，它的error function可以写成：$$err_{SQR}(s,y)=(s-y)2=(ys-1)2$$
对于logistic regression，它的error function可以写成：$$err_{CE}(s,y)=ln(1+exp(-ys))$$
上述三种模型的error function都引入了\(ys\)变量，那么\(ys\)的物理意义是什么？\(ys\)就是指分类的正确率得分，其值越大越好，得分越高。
下面，用图形化的方式来解释三种模型的error function到底有什么关系：
从上图中可以看出，\(ys\)是横坐标轴， \(err_{0/1}\)是呈阶梯状的，在\(ys>0\)时， 恒取最小值\(0\)。\(err_{SQR}\)呈抛物线形式，在\(ys=1\)时，取得最小值，且在\(ys=1\)左右很小区域内，\(err_{0/1}\)和\(err_{SQR}\)近似。\(err_{CE}\)是呈指数下降的单调函数，\(ys\)越大，其值越小。同样在\(ys=1\)左右很小区域内， \(err_{0/1}\)和\(err_{CE}\)近似。但是我们发现\(err_{CE}\)并不是始终在\(err_{0/1}\)之上，所以为了计算讨论方便，我们把\(err_{CE}\)做幅值上的调整，引入\(err_{SCE}=log_2(1+exp(-ys))=\frac{1}{ln2}err_{CE}\)，这样能保证\(err_{SCE}\)始终在\(err_{0/1}\)上面，如下图所示：
由上图可以看出：$$err_{0/1}(s,y)\leq err_{SCE}(s,y)=\frac{1}{ln2}err_{CE}(s,y)$$ $$E^{0/1}{in}(w)\leq E{SCE}_{in}(w)=\frac{1}{ln2}E(w)$$ $$E^{0/1}{out}(w)\leq E{SCE}_{out}(w)=\frac{1}{ln2}E(w)$$
那么由VC理论可以知道：
从\(0/1\)出发：$$E^{0/1}{out}(w)\leq E{0/1}_{in}(w)+\Omega\leq \frac{1}{ln2}E{CE}_{in}(w)+\Omega$$
从CE出发：$$E^{0/1}(w)\leq \frac{1}{ln2}E^{CE}{out}(w)\leq \frac{1}{ln2}E^{CE}(w)+\frac{1}{ln2} \Omega^{CE}$$
通过上面的分析，我们看到err 0/1是被限定在一个上界中。这个上界是由logistic regression模型的error function决定的。而linear regression其实也是linear classification的一个upper bound，只是随着\(ys\)偏离1的位置越来越远，linear regression的error function偏差越来越大。综上所述，linear regression和logistic regression都可以用来解决linear classification的问题。
下图列举了PLA、linear regression、logistic regression模型用来解linear classification问题的优点和缺点。通常，我们使用linear regression来获得初始化的\(w_0\)，再用logistic regression模型进行最优化解。
二、Stochastic Gradient Descent
之前介绍的PLA算法和logistic regression算法，都是用到了迭代操作。PLA每次迭代只会更新一个点，它每次迭代的时间复杂度是\(O(1)\)；而logistic regression每次迭代要对所有\(N\)个点都进行计算，它每次迭代的时间复杂度是\(O(N)\)。为了提高logistic regression中
gradient descent算法的速度，可以使用另一种算法：随机梯度下降算法(StochasticGradient Descent)。
随机梯度下降算法每次迭代只找到一个点，计算该点的梯度，作为我们下一步更新\(w\)的依据。这样就保证了每次迭代的计算量大大减小，我们可以把整体的梯度看成这个随机过程的一个期望值。
随机梯度下降可以看成是真实的梯度加上均值为零的随机噪声方向。单次迭代看，好像会对每一步找到正确梯度方向有影响，但是整体期望值上看，与真实梯度的方向没有差太多，同样能找到最小值位置。随机梯度下降的优点是减少计算量，提高运算速度，而且便于online学习；缺点是不够稳定，每次迭代并不能保证按照正确的方向前进，而且达到最小值需要迭代的次数比梯度下降算法一般要多。
对于logistic regression的SGD，它的表达式为：$$w_{t+1} = w_t + \eta \theta(-y_nw^T_tx_n)(y_nx_n)$$
我们发现，SGD与PLA的迭代公式有类似的地方，如下图所示：
把SDG logistic regression 称之为'soft' PLA, 因为PLA只对分类错误的点进行修正，而SGD logistic regression每次迭代都会进行或多或少的修正。
另外，当\(\eta=1\)，且\(w^Tx_n\)足够大的时候，PLA近似等于SGD。(\(y_n=+1\)，\(w^Tx_n\)足够大时，PLA: \(w_{t+1}=w_t+0*y_nx_n\), SDG: \(w_{t+1} = w_t + \eta * 0 *(y_nx_n)\) ; \(y_n=-1\)，\(w^Tx_n\)足够大时，PLA: \(w_{t+1}=w_t+1*y_nx_n\), SDG: \(w_{t+1} = w_t + \eta * 1 *(y_nx_n)\))。
除此之外，还有两点需要说明：1、SGD的终止迭代条件。没有统一的终止条件，一般让迭代次数足够多；2、学习速率\(\eta\)。\(\eta\)的取值是根据实际情况来定的，一般取值\(0.1\)就可以了。
三、Multiclass via Logistic Regression
之前一直讲的都是二分类问题，本节主要介绍多分类问题，通过linear classification来解决。假设平面上有四个类，分别是正方形、菱形、三角形和星形，如何进行分类模型的训练呢？
首先我们可以想到这样一个办法，就是先把正方形作为正类，其他三种形状都是负类，即把它当成一个二分类问题，通过linear classification模型进行训练，得出平面上某个图形是不是正方形，且只有\({-1,+1}\)两种情况。然后再分别以菱形、三角形、星形为正类，进行二元分类。这样进行四次二分类之后，就完成了这个多分类问题。
但是，这样的二分类会带来一些问题，因为我们只用\({-1,+1}\)两个值来标记，那么平面上可能某些区域都被上述四次二分类模型判断为负类，即不属于四类中的任何一类；也可能会出现某些区域同时被两个类甚至多个类同时判断为正类，比如某个区域又被判定为正方形又被判定为菱形。那么对于这种情况，我们就无法进行多类别的准确判断，所以对于多类别，简单的binary classification不能解决问题。
针对这种问题，我们可以使用另外一种方法来解决：soft软性分类，即不用\({-1,+1}\)这种binary classification，而是使用logistic regression，计算某点属于某类的概率、可能性，取概率最大的值为那一类就好。
soft classification的处理过程和之前类似，同样是分别令某类为正，其他三类为负，不同的是得到的是概率值，而不是\({-1,1}\)。最后得到某点分别属于四类的概率，取最大概率对应的哪一个类别就好。效果如下图所示：
这种多分类的处理方式，我们称之为One-Versus-All(OVA) Decomposition。这种方法的优点是简单高效，可以使用logistic regression模型来解决；缺点是如果数据类别很多时，那么每次二分类问题中，正类和负类的数量差别就很大，数据不平衡unbalanced，这样会影响分类效果。但是，OVA还是非常常用的一种多分类算法。
四、Multiclass via Binary Classification
上一节介绍了多分类算法OVA，但是这种方法存在一个问题，就是当类别\(k\)很多的时候，造成正负类数据unbalanced，会影响分类效果，表现不好。现在，我们介绍另一种方法来解决当\(k\)很大时，OVA带来的问题。
这种方法每次只取两类进行binary classification，取值为\({-1,+1}\)。假如\(k=4\)，那么总共需要进行\(C^2_4=6\)次binary classification。那么，六次分类之后，如果平面有个点，有三个分类器判断它是正方形，一个分类器判断是菱形，另外两个判断是三角形，那么取最多的那个，即判断它属于正方形，我们的分类就完成了。这种形式就如同\(k\)个足球对进行单循环的比赛，每场比赛都有一个队赢，一个队输，赢了得1分，输了得0分。那么总共进行了\(C^2_k\)次的比赛，最终取得分最高的那个队就可以了。
这种区别于OVA的多分类方法叫做One-Versus-One(OVO)。这种方法的优点是更加高效，因为虽然需要进行的分类次数增加了，但是每次只需要进行两个类别的比较，也就是说单次分类的数量减少了。而且一般不会出现数据unbalanced的情况。缺点是需要分类的次数多，时间复杂度和空间复杂度可能都比较高。
五、总结
本节课主要介绍了分类问题的三种线性模型：linear classification、linear regression和logistic regression。首先介绍了这三种linear models都可以来做binary classification。然后介绍了比梯度下降算法更加高效的SGD算法来进行logistic regression分析。最后讲解了两种多分类方法，一种是OVA，另一种是OVO。这两种方法各有优缺点，当类别数量\(k\)不多的时候，建议选择OVA，以减少分类次数。
