线性回归

 

1. 线性回归

回归是常用的一种数据分析的方法,通过规定因变量和自变量来确定变量之间的因果关系,建立一种回归模型,并根据实测数据来求解模型的各个参数,

然后评价回归模型是否能够很好的拟合实测数据,回归分析,可以帮助我们对数据做出合理的预测,其一般使用流程如下:

 

 

 

1.1 单个输入变量

假设我们有一组数据

序号 1 2 3 4 5 6 7 8 9 10
x(平方) 30 40 50 60 70 80 90 100 110 120
y(万) 40 60 65 80 90 100 120 130 145 150

其中x 表示房子的面积, y 表示出售的价格。 现在我有一个150平的房子, 我想知道大概的价格是多少?

 

第一步,将问题抽象化

输入参数只有一个, 房子的面积, 输出参数也只有一个,房子的价格, 一共有10条数据,设为 m = 10, 每一条数据使用 i 来标号。

则每条数据表示为

 

 

定义如下机器学习算法, x 表示输入面积,y 表示输出结果

 

 

 

 

表示 H(Hypothesis)

本式中, theta0, 与 theta1 是参数, x 表示输入的面积

想法: 选择合适的参数,使得结果非常接近我们的结果值

 

第二步:损失函数

确定theta 0  与 theta 1 的参数值,可以拟合我们的模型数据。

 

 

求出所有点到该直线的距离,并且值是最小值。

这个函数也叫做一元线性回归方程的均方误差函数(Squared Error Function)

 

 

第三步:计算 minize(theta1, theta2) = J(theta1, theta2)

假设theta0 是0,只有一个参数 theta1

 

假设theta1 为0 , 则求 minize(theata1, theta2) = minize(theta2)

 

对于2个参数的变量,J(theta1, theta2) 最终的所有结果图形如下

 

 

 

 

 

1.2 多个输入变量

序号 1 2 3 4 5 6 7 8 9 10
x1(平方) 30 40 50 60 70 80 90 100 110 120
x2卧室数量 1 1 1 2 2 3 3 3 4 3
x3房龄 3 5 4 4 6 7 3 2 5 4
y(万) 40 60 65 80 90 100 120 130 145 150

其中x 1表示房子的面积,

X2表示房屋数量

X3表示房子年龄

 

y 表示出售的价格。

现在我有一个150平的房子,有四个卧室,房子年限是5年,我想知道大概的价格是多少?

 

对数据进行定义,抽象化

用m表示有多少个训练集 ,m = 10

用 n 来表示有多少个特征, 此例中n = 3

x(i) 来表示是第几个数据集, i 表示序列号

xj(i) 来表示第几个数据集中第几个特征

 

此时假设函数为

根据此式扩展, 有n个特征,则线性回归假设函数形式为

为了便于记忆,可以定义x0 = 1, 则有如下定义

则原式htheta(x) 为

 

 

 

2. 梯度下降

梯度下降算法, 查找最优参数(Gradient descent)

拥有函数 J(theta0, theta1),  该函数的最小值是多少?

 

2.1 对单个变量梯度下降

想法:

将theta0, theta1 变成0

不断的变化theta0, theta1的值,并计算出 J(theta0, theta1)的值,并取最小值。

直到算出最小值为止。

 

 

对于两个参数的J, 可能出现的值如下

 

 

 

梯度下降算法

 

 

其中 := 是赋值的意思

alpha 是学习速率的意思

如果学习速率太慢, 则会降低学习速度

如果学习太快, 则可能导致无法收敛

 

偏导数计算过程如下:

 

 

对整个式子进行展开得到如下

 

 

 

 

当theta0 为0,只有一个参数theta1 时, J(theta1) 有如下公式

只有一个参数,相当于在求该点的导数,如下图所示

 

 

当点theta1在右测时,导数值是一个大于零的数, theta1 的值逐渐梯减

 

 

当点theta1在左测时,导数值是一个大于零的数, theta1 的值逐渐梯增

 

 

2.2 对多个变量梯度下降

多变量的损失函数如下

梯度下降算法形式如下

 

抽象化

 

 

单变量与多变量对比

 

2.3 梯度下降优化

1. 特征缩放,去除(最大值 - 最小值),最好将每个特征的值放在 -1 到 1之间

2. 均值归一化,减去均值

mui 表示所有特征的均值, si 表示特征值的范围,最大值 - 最小值

 

 

3. 正规方程解

3.1 线性代数基础

矩阵是一个二维数组(m * n), 当 m 或 n 为1时, 则是向量

 

在octave中运行

% The ; denotes we are going back to a new row.
A = [1, 2, 3; 4, 5, 6; 7, 8, 9; 10, 11, 12]

% Initialize a vector 
v = [1;2;3] 

% Get the dimension of the matrix A where m = rows and n = columns
[m,n] = size(A)

% You could also store it this way
dim_A = size(A)

% Get the dimension of the vector v 
dim_v = size(v)

% Now let's index into the 2nd row 3rd column of matrix A
A_23 = A(2,3)

 

 

矩阵加减法: 矩阵中的每个值分别对应相加减

 

矩阵与向量相乘,规则如下

可以解决一元线性方程

 

代码运行如下

% Initialize matrix A 
A = [1, 2, 3; 4, 5, 6;7, 8, 9] 

% Initialize vector v 
v = [1; 1; 1] 

% Multiply A * v
Av = A * v

 

 

运行结果

A =

   1   2   3
   4   5   6
   7   8   9

v =

   1
   1
   1

Av =

    6
   15
   24

 

 

 

矩阵与矩阵相乘,相乘法则如下

 

可以解决多个

 

 

 

矩阵特性:

矩阵不符合交换律: AB != BA

矩阵符合结合律: ABC = A(BC)

任何矩阵与单位矩阵相乘,结果为本身。

 

% Initialize random matrices A and B 
A = [1,2;4,5]
B = [1,1;0,2]

% Initialize a 2 by 2 identity matrix
I = eye(2)

% The above notation is the same as I = [1,0;0,1]

% What happens when we multiply I*A ? 
IA = I*A 

% How about A*I ? 
AI = A*I 

% Compute A*B 
AB = A*B 

% Is it equal to B*A? 
BA = B*A 

% Note that IA = AI but AB != BA

 

 

运行结果

A =

   1   2
   4   5

B =

   1   1
   0   2

I =

Diagonal Matrix

   1   0
   0   1

IA =

   1   2
   4   5

AI =

   1   2
   4   5

AB =

    1    5
    4   14

BA =

    5    7
    8   10

 

 

矩阵转置

Aij = Bji

 

矩阵逆运算

A-1 * A = I

 

代码如下:

% Initialize matrix A 
A = [1,2,0;0,5,6;7,0,9]

% Transpose A 
A_trans = A' 

% Take the inverse of A 
A_inv = inv(A)

% What is A^(-1)*A? 
A_invA = inv(A)*A

 

 

运行结果

A =

   1   2   0
   0   5   6
   7   0   9

A_trans =

   1   0   7
   2   5   0
   0   6   9

A_inv =

   0.348837  -0.139535   0.093023
   0.325581   0.069767  -0.046512
  -0.271318   0.108527   0.038760

A_invA =

   1.00000  -0.00000   0.00000
   0.00000   1.00000  -0.00000
  -0.00000   0.00000   1.00000

 

3.2 正规方程解

 

 

梯度下降 VS 正规方程解

Gradient DescentNormal Equation
Need to choose alpha No need to choose alpha
Needs many iterations No need to iterate
O (kn^2kn2) O (n^3n3), need to calculate inverse of X^TXXTX
Works well when n is large Slow if n is very large

 

4. Octave 基础

 

4.1 基础运算

octave>1 + 2
ans =  3
octave>3 - 2
ans =  1
octave>1 * 2
ans =  2
octave>1 / 3
ans =  0.33333
octave>2^10
ans =  1024
octave>1 == 2
ans = 0
octave>1 ~= 2
ans = 1
octave>1 && 0
ans = 0
octave>1 || 0
ans = 1
octave>

 

posted @ 2020-01-16 09:31  elewei  阅读(340)  评论(0编辑  收藏  举报