Jordan Lecture Note-1: Introduction

     Jordan Lecture Note-1： Introduction

     第一部分要整理的是Jordan的讲义，这份讲义是我刚进实验室时我们老师给我的第一个任务，要求我把讲义上的知识扩充出去，然后每周都要讲给他听。如果有需要这份讲义的话，请留言，我会用邮件发给你。

    首先，我来说说机器学习这个东西。刚进实验室，我根本连什么是机器学习都不知道，听到这个名词后的第一反应是机器人，心想估计是搞硬件的。后来才发现其实机器学习更偏向于后面两个字，也就是“学习”。打个不恰当的比方吧，人类在婴儿时期，还无法对世上的东西进行识别，比如小汽车跟货车有什么区别？这时，婴儿的父母就会指着小汽车对他说，这是个小汽车，它有四个小轮子，四个门等等；指着货车对他说，这是货车，它有六个大轮子，两个门等等。当婴儿接受到这些信息后，就会在脑中对汽车和货车的一些属性特征进行抽象，从而能够得出一个能够识别汽车和货车的模型。其实机器学习也类似吧，把人类抽象出的一些特征信息作为机器学习的“资料”，术语称之为训练集，有了这些“资料”后，我们在给定一个学习算法，这个学习算法针对这个“资料”就能学习出一个模型，而这个模型就是机器最后用来决策的根据。

     然后，我在说说机器学习中最简单的二分类问题。 所谓二分类问题就是让机器来识别出 A 和 B。假设训练集 $\{x_i,y_i\}_{i=1}^N$，其中 $x_i\in\mathbb{R}^d$ 成为输入特征，d为特征的维度，$y\in\{0,1\}$ 称为 label。每一个输入数据$x_i$都对应着一个输出的label $y_i$，而我们的目标是通过给定的这个训练集，学习出一个模型，这个模型能够尽可能正确的判断出这个输入的数据是属于哪一个label。这类问题有很多实际应用，比如人脸识别，垃圾邮件过滤等等。很显然，更一般的多分类问题指的是label的数量大于2.

    接下来，我简单的介绍四种二分类的方法，分类是1）感知器（Perceptron）2）逻辑斯回归（Logistic Regression）3）线性判别分析（Linear Discriminant Analysis）4）支撑向量机（Support Vector Machine）。

 一 Perceptron

    1）感知器算法

 step 1：

       初始化 $w=w_0$

 step 2：

     for $i=1,2, ... ,n$

           计算$w_jx_i$，若$w_jx_i>0$，则set$y=1$，否则$y=0$

       更新权重$w=w + \lambda(y_i-y)x_i$，

     end for

step 3:

     若step 2中的权重都没有被更新的话说明算法已经收敛，返回权重$w$；否则转step 2.

step 4: 

     最终的判断函数为$f(x)=w^Tx$，若$f(x)>0$，则$y$为1；否则$y$为0.

 2） 感知器算法的收敛定理

   如果数据是线性可分的话（也就是存在的一个线性函数$f(x)$能使所有的$x$所对应的label都能通过上述决策准则得到），那么算法就一定收敛，既存在有限次数能找到权重$w$.

 证明：由于数据是线性可分的，那么一定存在一个权向量$w^*$能够正确的决策出所有的数据label，既对于label 1有$w^Tx>0$，对于label 2 有$w^Tx<0$。对$w^*$进行归一化使得$\|w^*\|=1$，将属于label 2 的数据$x_i$做乘-1处理,得到新的数据$x_k$。于是必存在一个正数$d$，使对所有的样本有$w^*x_k\geq d$。任意权向量与最优权向量$w^*$的余弦角$\mathop{cos}\alpha=\frac{w^*\cdot w}{\|w^*\|\|w\|}$。

    设感知器在训练过程中的判错模式依次为$x_{i_1},x_{i_2}, ..., x_{i_t}, ...$，则每一个判错模式都对应的对权重的更新：

$$w_{k+1} = w_k + \lambda x_{i_k}$$

其中$\lambda$为学习系数。由$w^*\cdot w_{k+1}=w^*[w_k+\lambda x_{i_k}]=w^*\cdot w_k+\lambda w^*\cdot x_{i_k}\geq w^*\cdot w_k+\lambda d$，迭代计算下去得：

  $$w^*\cdot w_{k+1} \geq w^*\cdot w_0 + k\lambda d$$

 选择$w_0\in\{x_k\}$，必满足 $w^*\cdot w_0>0$，所以 $w^*\cdot w_k\geq k\lambda d$。

     在$w_k$ 为收敛到 $w_*$ 时，对于判错模式必有 $w_k\cdot x_{i_k} < 0$，所以

$$\begin{eqnarray*} &\|w_{k+1}\|^2=[w_k+\lambda x_{i_k}][w_k+\lambda x_{i_k}] \\ &=\|w_k\|^2+2\lambda w_k\cdot x_{i_k} + \lambda^2 \|x_{i_k}\|^2 + \lambda^2\end{eqnarray*}$$

 迭代计算可得：$\|w_k\|^2\leq \|w_0\|^2 + k\lambda^2 = C + k \lambda^2$，其中$C$为常数。

 当$w_k=w^*$时，$\mathop{cos}\alpha=1$，故

$$1=\frac{w^*\cdot w_k}{\|w^*\|\|w_k\|}\geq\frac{k\lambda d}{\sqrt{C+k\lambda^2}}$$

 $\Longrightarrow$

$$k\leq\frac{\lambda^2+\sqrt{\lambda^2+4C\lambda^2 d^2}}{2\lambda^2 d^2}.$$

 

二 Logistic  Regression

回归：一种用于估计变量之间的关系的统计技术。

线性回归：若变量之间的关系为线性关系，则称之为线性回归。

逻辑斯回归： 一种概率统计分类模型，它的好处在于能用一个概率值来描述分类的准确度。事实上，它是通过引进logistic函数来对线性函数做一个归一化。

 Logistic Function：

$$\begin{eqnarray} &\mathbb{P}(y_i=1|x_i) = \frac{1}{1+e^{-\theta^\prime x_i}} \label{equ:logit1} \\ &\mathbb{P}(y_i=0|x_i)=1-\mathbb{P}(y_i=1|x_i)=\frac{1}{1+e^{\theta^\prime x_i}} \label{equ:logit2}\end{eqnarray}$$

由$\ref{equ:logit1}$和$\ref{equ:logit2}$可得：

$$\mathbb{P}(y_i|x_i)=\frac{e^{y_i\theta^\prime x_i}}{1+e^{\theta^\prime x_i}}$$

Logistic分类准则：我们只需求出$\mathbb{P}(y_i=1|x_i)$，若$\mathbb{P}(y_i=1|x_i)>0.5$，则$x_i$属于第一类；若小于0.5，则属于第0类。

Logistic regression就是通过对训练集的学习而估计出$\theta$，这个参数的估计是通过最大似然估计得到的。

似然函数：$L(\theta)=\prod_{i=1}^N\mathbb{P}(y_i|x_i,\theta)$.

log似然函数：$l(\theta)=\mathop{ln}(L(\theta))=\sum_{i=1}^N\{y_i\theta^\prime x_i-\mathop{ln}(1+e^{\theta^\prime x_i})\}$

对log似然函数求导可得：

$$\begin{equation}\frac{\partial l}{\partial \theta}=\sum_{i=1}^N(y_ix_i-\frac{e^{\theta^\prime x_i}}{1+e^{\theta^\prime x_i}}x_i)= \sum_{i=1}^N(y_i-\hat{y}_i)x_i\label{equ:partial}\end{equation}$$ ,

其中$\hat{y}_i=\mathbb{P}(y_i=1|x_i,\theta)$.

通过最大化上述log似然函数来估计出$\theta$，有两种方法可用，一种是梯度上升（gradient ascent），另一种是随机梯度方法。

 1）Newton-Raphson方法

 先求出梯度向量和海森（Hessian）矩阵。

梯度向量：$\nabla l(\theta^t)=[\frac{\partial l}{\partial \theta}]_{\theta^t}$.

Hessian矩阵：$H(\theta^t)=[\frac{\partial^2l}{\partial \theta_i\partial\theta_j}]_{\theta^t}$.

$l(\theta)$在$\theta^t$点处的泰勒级数展开为：

$$\begin{equation}l(\theta)=l(\theta^t)+\nabla l(\theta^t)(\theta-\theta^t)+\frac{1}{2}H(\theta^t)(\theta-\theta^t)^2\label{equ:taylor}\end{equation}$$

对 $\ref{equ:taylor}$求导，并令导数为0，得到$\theta$的更新式：

$$\theta^{t+1}=\theta^t-[H(\theta^t)]^{-1}\nabla l(\theta^t)$$ .

2) 随机梯度方法

 当数据量很大时，用上述的方法计算量太大了，此时可以使用随机梯度方法。根据$\ref{equ:partial}$可得如下更新式子：

$$\theta^{t+1}=\theta^t+\lambda(y_{i(t)}-\hat{y}_{i(t)})x_{i(t)}$$

其中 $\hat{y}_{i(t)}=\mathbb{P}(y_i=1|x_i,\theta)$，$i(t)$为第$t$步随机选出的数据。

三 线性判别分析(LDA)

    将$n$维数据降到一维，又能够保证类别能够清晰地反映到低维数据上。根据几何知识可知，将$x$投影到向量$w$上，即$y=w^\prime x$，表示投影点距离某固定点的位置。

   类中心点：$\mu_1=\frac{1}{N_1}\sum_{x\in W_1}x$，$\mu_0=\frac{1}{N_0}\sum_{x\in W_0}x$，其中$W_1,W_0$分别表示第1类和第0类数据集合。则投影后的样本均值为：$\widetilde{\mu}_1=\frac{1}{N_1}\sum_{y\in W_1}y=\frac{1}{N_1}\sum_{x\in W_1}w^\prime x=w^\prime \mu_1$，$\widetilde{\mu}_0=w^\prime\mu_0$。

    为了使中心点距离尽可能的远，即最大化以下式子：

$$J(w)=\|\widetilde{\mu}_1-\widetilde{\mu}_0\|^2=\|w^\prime(\mu_1-\mu_0)\|^2=w^\prime (\mu_1-\mu_0)(\mu_1-\mu_0)^\prime w\triangleq w^\prime S_b w$$

   但若只考虑该标准并不合理，还应考虑类内的聚合度，即类内的聚合度越高效果越好。用$\widetilde{s}_1^2,\widetilde{s}_0^2$表征样本的密集程度，其定义如下：

$$\widetilde{s}_1^2=\sum_{y\in W_1}(y-\widetilde{\mu}_1)^2=\sum_{x\in W_1}(w^\prime x-w^\prime\mu_1)^2=\sum_{x\in W_1} w^\prime(x-\mu_1)(x-\mu_0)^\prime w\triangleq w^\prime S_1w$$

$$\widetilde{s}_0^2=\sum_{x\in W_0}w^\prime(x-\mu_0)(x-\mu_0)^\prime w\triangleq w^\prime S_0 w$$

故$\widetilde{s}_1^2+\widetilde{s}_0^2=w^\prime S_1w+w^\prime S_0w=w^\prime S_w w$。根据类间尽可能分离，类内尽可能聚合的原则，得到Fisher判别准则：

$$\mathop{\max}\frac{w^\prime S_b w}{w^\prime S_w w}$$ .

接下去介绍两种解上述优化问题的方法。

 1） 由于$w$扩大任意倍不会影响最后的结果，故我们可令$w^\prime S_w w=1$，可将上述模型转化为:

$$\begin{eqnarray*}&\mathop{\max}\quad w^\prime S_b w\\& \mathop{s.t.}\quad \|w^\prime S_b w\|=1\end{eqnarray*}$$

加入拉格朗日乘子：$C(w)=w^\prime S_b w - \lambda(w^\prime S_w w - 1)$

对$C(w)$求导：$\frac{dC(w)}{dw}=2S_bw-2\lambda S_w w=0\Longrightarrow S_bw=\lambda S_ww$

又因为$S_w=\sum_{x\in W_1}(x-\mu_1)(x-\mu_1)^\prime+\sum_{x\in W_0}(x-\mu_0)(x-\mu_0)^\prime$，可以证明其为正定矩阵，故$S_w$可逆，所以$S_w^{-1}S_bw=\lambda w$.

由$S_bw=(\mu_1-\mu_0)(\mu_1-\mu_0)^\prime w=(\mu_1-\mu_0)\lambda_w$，其中$\lambda_w$为关于$w$的实数。

$$S_w^{-1}S_bw=S_w^{-1}(\mu_1-\mu_0)\lambda_w=\lambda w\Longrightarrow w=\frac{\lambda_w}{\lambda}S_w^{-1}(\mu_1-\mu_0)$$

由于$w$扩大与缩小均不影响结果，故$w=S_w^{-1}(\mu_1-\mu_0)$。

 2）由于$S_w$实对称并且正定，故$S_w$可用Cholesky分解$S_w=LL^\prime$，其中 $L$为下三角形矩阵，故

$$\begin{eqnarray}\frac{w^\prime S_bw}{w^\prime S_ww}&=\frac{w^\prime S_bw}{w^\prime LL^\prime w}\\ &=\frac{\beta^\prime L^{-1}(\mu_1-\mu_0)(\mu_1-\mu_0)^\prime {L^\prime}^{-1}\beta}{\beta^\prime\beta}\\&=\frac{\beta^\prime A\beta}{\beta^\prime\beta}\label{equ:rayleigh}\end{eqnarray}$$

其中$\beta=L^\prime w$。上述式子$\ref{equ:rayleigh}$的最大值为$A$的最大特征值，$\beta$为对应的特征向量。求得$\beta$后就可求出参数$w$。