Coursera公開課筆記: 斯坦福大學機器學習第二課“單變量線性回歸(Linear regression with one variable)”

發表于 2012年05月6號 由 52nlp

斯坦福大學機器學習第二課”單變量線性回歸“學習筆記，本次課程主要包括7部分：

1) Model representation(模型表示)

2) Cost function(代價函數，成本函數)

3) Cost function intuition I(直觀解釋1)

4) Cost function intuition II(直觀解釋2)

5) Gradient descent(梯度下降)

6) Gradient descent intuition(梯度下降直觀解釋)

7) Gradient descent for linear regression(應用于線性回歸的的梯度下降算法)

以下是第二課“單變量線性回歸”的課件資料下載鏈接，視頻可以在Coursera機器學習課程上觀看或下載： PPT?? PDF 另外課程答題時間推遲一周，具體可參考:? Coursera機器學習課程作業截止時間推遲一周 如轉載52opencourse上的任何原創文章，請務必注明出處，原文見： Coursera公開課筆記: 斯坦福大學機器學習第二課“單變量線性回歸(Linear regression with one variable)”

1) Model representation(模型表示)

回到第一課中的房屋價格預測問題， 首先它是一個有監督學習的問題（對于每個樣本的輸入，都有正確的輸出或者答案），同時它也是一個回歸問題（預測一個實值輸出）。

訓練集表示如下：

其中：

m?=?訓練樣本的數目

x’s?=?“輸入”變量，也稱之為特征

y’s?=?“輸出”變量，也稱之為“目標”變量

?

對于房價預測問題，學習過程可用下圖表示：

?

其中x代表房屋的大小，y代表預測的價格，h(hypothesis)將輸入變量 x 映射到輸出變量 y，如何表示h?

事實上Hypothesis可以表示成如下形式：

hθ(x)=θ0+θ1x

簡寫為 h(x)，也就是帶一個變量的線性回歸或者單變量線性回歸問題。

?

2) Cost function(代價函數，成本函數)

對于Hypothesis:? hθ(x)=θ0+θ1x

θi 為參數

如何求θi?

構想： 對于訓練集(x, y)，選取參數θ0, θ1使得hθ(x)盡可能的接近y。

如何做呢？一種做法就是求訓練集的平方誤差函數（squared error function），Cost Function可表示為:

J(θ0,θ1)=12m∑i=1m(hθ(x(i))–y(i))2

并且選取合適的參數使其最小化，數學表示如下：

minimizeθ0,θ1J(θ0,θ1)

3) Cost function intuition I(直觀解釋1)

直觀來看，線性回歸主要包括如下四大部分，分別是Hypothesis, Parameters, Cost Function, Goal:

這里作者給出了一個簡化版的Cost function解釋，也就是令θ0為0：

然后令θ1分別取1、0.5、-0.5等值，同步對比hθ(x)和J(θ0,θ1)在二維坐標系中的變化情況，具體可參考原PPT中的對比圖，很直觀。

?

4) Cost function intuition II(直觀解釋2)

回顧線性回歸的四個部分，這一次不在對Cost?Function做簡化處理，這個時候J(θ0,θ1)的圖形是一個三維圖或者一個等高線圖，具體可參考原課件。

可以發現，當hθ(x)的直線越來越接近樣本點時，J(θ0,θ1)在等高線的圖中的點越來越接近最小值的位置。

5) Gradient descent(梯度下降)

應用的場景之一-最小值問題：

對于一些函數，例如J(θ0,θ1)

目標:? minθ0,θ1J(θ0,θ1)

方法的框架:

1、給θ0, θ1一個初始值，例如都等于0

2、每次改變θ0, θ1的時候都保持J(θ0,θ1)遞減，直到達到一個我們滿意的最小值；

對于任一J(θ0,θ1) , 初始位置不同，最終達到的極小值點也不同，例如以下兩個例子：

?

?

梯度下降算法：

重復下面的公式直到收斂：

?

舉例：

參數正確的更新過程如下（同步更新）：

?

錯誤的更新過程如下：

?

6) Gradient descent intuition(梯度下降直觀解釋)

舉例，對于一個簡化的J(θ1)來說，無論拋物線的左邊還是右邊，在梯度下降算法下，θ1)都是保持正確的方向（遞增或遞減）

對于learning?rate(又稱為步長)來說:

如果α過小，梯度下降可能很慢；如果過大，梯度下降有可能“邁過”（overshoot）最小點，并且有可能收斂失敗，并且產生“分歧”(diverge)

梯度下降可以使函數收斂到一個局部最小值，特別對于learning?rate α是固定值的時候：

當函數接近局部最小值的時候，梯度下降法將自動的采取“小步子”，?所以沒有必要隨著時間的推移減小learning?rate.

關于梯度下降算法，可以參考維基百科的介紹： http://zh.wikipedia.org/wiki/%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D%E6%B3%95

?

7) Gradient descent for linear regression(應用于線性回歸的的梯度下降算法)

梯度下降算法：

線性回歸模型：

J(θ0,θ1)對于θ0), θ1)求導，得：

在梯度下降算法中進行替換，就得到單變量線性回歸梯度下降算法：

詳細的圖形舉例請參考官方PPT，主要是在等高線圖舉例梯度下降的收斂過程，逐步逼近最小值點，其中一幅圖說明：線性回歸函數是凸函數(convex?function)，具有碗狀（bowl?shape)。

總結： 這里的梯度下降算法也稱為”Batch”?梯度下降: 梯度下降的每一步都使用了所有的訓練樣本。

本文鏈接地址：Coursera公開課筆記: 斯坦福大學機器學習第二課“單變量線性回歸(Linear regression with one variable)”

相關文章:

Coursera公開課筆記: 斯坦福大學機器學習第四課“多變量線性回歸(Linear Regression with Multiple Variables)”

Coursera公開課筆記: 斯坦福大學機器學習第六課“邏輯回歸(Logistic Regression)”

Coursera公開課筆記: 斯坦福大學機器學習第七課“正則化(Regularization)”

Coursera公開課筆記: 斯坦福大學機器學習第一課“引言(Introduction)”

斯坦福大學機器學習第九課“神經網絡的學習(Neural Networks: Learning)”

PRML讀書會第三章 Linear Models for Regression

PRML讀書會第四章 Linear Models for Classification

斯坦福大學機器學習第八課“神經網絡的表示(Neural Networks: Representation)”

斯坦福大學深度學習與自然語言處理第三講：高級的詞向量表示

斯坦福大學機器學習第十課“應用機器學習的建議(Advice for applying machine learning)”

出處：http://www.52nlp.cn/coursera%E5%85%AC%E5%BC%80%E8%AF%BE%E7%AC%94%E8%AE%B0-%E6%96%AF%E5%9D%A6%E7%A6%8F%E5%A4%A7%E5%AD%A6%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AC%AC%E4%BA%8C%E8%AF%BE%E5%8D%95%E5%8F%98%E9%87%8F

總結

以上是生活随笔為你收集整理的Coursera公开课笔记: 斯坦福大学机器学习第二课“单变量线性回归(Linear regression with one variable)”的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。