【机器学习:二、线性回归模型】
线性回归是一种基本的监督学习方法，广泛用于回归问题中。它通过学习输入变量与输出变量之间的线性关系来对数据进行建模。以下从定义到求解的角度系统介绍线性回归模型。
线性回归模型的定义
线性回归假设输出变量 𝑦和输入变量 𝑥 之间满足线性关系： y = w T x + b y=w^Tx+b y=wTx+b
- 符号说明：
- x ∈ R n x\in\mathbb{R}^n x∈Rn：输入特征向量（维度为 𝑛）。
- w ∈ R n w\in\mathbb{R}^n w∈Rn：权重向量，表示每个特征的系数。
- b ∈ R b\in\mathbb{R} b∈R：偏置（bias），表示线性模型的截距。
- y ∈ R y\in\mathbb{R} y∈R：输出变量，通常是一个连续值。
- 目标： 根据训练数据集 D = { ( x i , y i ) } i = 1 m D=\{(x_i,y_i)\}_{i=1}^m D={(xi,yi)}i=1m ，学习参数 𝑤 和 𝑏，使得模型能对未知数据的输出 𝑦 做出准确预测。
- 假设： 假定输出 𝑦 和输入 𝑥 满足以下关系：
y
=
w
T
x
+
b
+
ϵ
y=w^Tx+b+\epsilon
y=wTx+b+ϵ
其中 𝜖 是独立同分布的噪声项，通常服从正态分布 N ( 0 , σ 2 ) N(0,\sigma^2) N(0,σ2)。
线性回归模型的代价函数
在机器学习中，代价函数用来衡量模型预测值与真实值之间的误差。
- 平方误差损失函数： 在线性回归中，常用平方误差作为损失函数来衡量单个样本预测值 y ^ i \hat{y}_i y^i与真实值 y i y_{i} yi的差异： L ( y i , y ^ i ) = ( y i − y ^ i ) 2 L(y_i,\hat{y}_i)=(y_i-\hat{y}_i)^2 L(yi,y^i)=(yi−y^i)2
- 线性回归的代价函数（均方误差, Mean Squared Error, MSE）： 对于 𝑚 个训练样本，定义代价函数 J(w,b) 为：
J
(
w
,
b
)
=
1
2
m
∑
i
=
1
m
(
y
i
−
(
w
T
x
i
+
b
)
)
2
J(w,b)=\frac{1}{2m}\sum_{i=1}^m\left(y_i-(w^Tx_i+b)\right)^2
J(w,b)=2m1i=1∑m(yi−(wTxi+b))2
- 其中：
- y i y_{i} yi：第 𝑖 个样本的真实值。
- w T x i + b w^Tx_i+b wTxi+b：第 𝑖 个样本的预测值。
- 1 2 m \frac{1}{2m} 2m1:引入1/2是为了在求导时简化计算。
- 其中：
- 目标： 寻找参数 𝑤 和 𝑏，使得代价函数 J(w,b) 最小。
梯度下降法求解线性回归模型
梯度下降是一种常用的优化算法，用于最小化代价函数 J(w,b) 并求解模型参数。
梯度下降法原理
- 梯度下降通过不断更新参数 𝑤 和 𝑏，逐步减小代价函数值，直到达到最优解。
- 更新规则：
w
:
=
w
−
α
∂
J
(
w
,
b
)
∂
w
,
b
:
=
b
−
α
∂
J
(
w
,
b
)
∂
b
w:=w-\alpha\frac{\partial J(w,b)}{\partial w},\quad b:=b-\alpha\frac{\partial J(w,b)}{\partial b}
w:=w−α∂w∂J(w,b),b:=b−α∂b∂J(w,b)
- 其中：
- a \mathrm{a} a：学习率（控制每次更新的步长）。
-
∂
J
(
w
,
b
)
∂
w
和
∂
J
(
w
,
b
)
∂
b
\frac{\partial J(w,b)}{\partial w}\text{ 和 }\frac{\partial J(w,b)}{\partial b}
∂w∂J(w,b) 和 ∂b∂J(w,b)
：代价函数对 𝑤 和 𝑏 的梯度。
- 其中：
代价函数的梯度计算
对于代价函数 J ( w , b ) = 1 2 m ∑ i = 1 m ( y i − ( w T x i + b ) ) 2 J(w,b)=\frac{1}{2m}\sum_{i=1}^m\left(y_i-(w^Tx_i+b)\right)^2 J(w,b)=2m1∑i=1m(yi−(wTxi+b))2，其梯度为：
- 对 𝑤 求偏导： ∂ J ( w , b ) ∂ w = − 1 m ∑ i = 1 m ( y i − ( w T x i + b ) ) x i \frac{\partial J(w,b)}{\partial w}=-\frac{1}{m}\sum_{i=1}^m(y_i-(w^Tx_i+b))x_i ∂w∂J(w,b)=−m1i=1∑m(yi−(wTxi+b))xi
- 对 b 求偏导： ∂ J ( w , b ) ∂ b = − 1 m ∑ i = 1 m ( y i − ( w T x i + b ) ) \frac{\partial J(w,b)}{\partial b}=-\frac{1}{m}\sum_{i=1}^m(y_i-(w^Tx_i+b)) ∂b∂J(w,b)=−m1i=1∑m(yi−(wTxi+b))
梯度下降算法流程
- 初始化参数： 随机初始化 𝑤 和 𝑏。
- 迭代更新参数： 按照以下公式更新 𝑤 和 𝑏：
w
:
=
w
+
α
m
∑
i
=
1
m
(
y
i
−
(
w
T
x
i
+
b
)
)
x
i
w:=w+\frac{\alpha}{m}\sum_{i=1}^m(y_i-(w^Tx_i+b))x_i
w:=w+mαi=1∑m(yi−(wTxi+b))xi
b : = b + α m ∑ i = 1 m ( y i − ( w T x i + b ) ) b:=b+\frac{\alpha}{m}\sum_{i=1}^m(y_i-(w^Tx_i+b)) b:=b+mαi=1∑m(yi−(wTxi+b)) - 停止条件： 当代价函数 J(w,b) 的变化值小于某个阈值，或者达到最大迭代次数时停止。
线性回归模型的优点和局限性
优点：
- 模型简单，易于理解和实现。
- 具有很好的可解释性，权重𝑤可以反映每个特征对输出的影响。
- 对小规模数据和线性关系数据表现良好。
局限性：
- 只能捕捉输入与输出之间的线性关系，无法处理非线性关系。
- 对异常值敏感，容易受噪声影响。
- 需要手动选择特征，无法自动提取特征。
总结
- 线性回归模型是一种简单但有效的回归方法，适用于线性关系的数据。
- 模型的核心是通过最小化均方误差（MSE）来找到最佳参数。
- 梯度下降是一种常用的优化方法，可以有效求解线性回归模型参数。
- 尽管线性回归存在一定局限性，但其直观性和高效性使其在许多场景中仍有广泛应用。