Andrew Ng Machine Learning 专题【Logistic Regression & Regularization】

此文是斯坦福大学，机器学习界 superstar — Andrew Ng 所开设的 Coursera 课程：Machine Learning 的课程笔记。

力求简洁，仅代表本人观点，不足之处希望大家探讨。

课程网址：https://www.coursera.org/learn/machine-learning/home/welcome

Week 2：Linear Regression with Multiple Variables笔记：http://blog.csdn.net/ironyoung/article/details/47129523

Week 3：Logistic Regression & Regularization

1. Logistic Regression

   1. 对于分类问题而言。非常easy想到利用线性回归方法。拟合之后的h θ (x)>0.5 则为True。其余为False.
   2. 可是线性回归有一个问题，拟合出的值都是离散的。范围不确定。

      为了方便分析。我们希望将拟合出的值限制在0~1之间。

      因此，出现了逻辑回归。

   3. 逻辑回归的模型是一个非线性模型：sigmoid函数，又称逻辑回归函数。但它本质上又是一个线性回归模型，由于除去sigmoid映射函数关系。其它的步骤，算法都是线性回归的。
   4. sigmoid函数（或，逻辑回归函数）：g(z)=1/(1+e −z ) 。其函数图像为：
      
      
      
      这个函数的特征非常明显
      • 函数值一直在0~1范围内；
      • 经过(0,0.5) 点。这个非常easy作为区分0，1类的分界线。

   5. 逻辑回归中。对于原本线性回归中拟合而成的hypothesis函数，须要经过sigmoid函数的修饰：h θ (x)=θ T x⇛h θ (x)=g(θ T x) 
      
      此时，h θ (x) 的含义发生了变化，h θ (x)=P(y=1|x;θ) 。

      成为

      • ”the probability that y=1, given x, parameterized by θ ”
      • 因此有。P(y=0|x;θ)+P(y=1|x;θ)=1
   6. Decision Boundary。

      表示的是 hypothesis 函数确定之后，划分数据分类的界限。并不一定能够百分百区分数据集，仅仅是函数的属性之中的一个。下图蓝色曲线即为某个 Desicision Boundary。

      

2. Cost Function

   1. 回顾线性回归的 cost function，我们在当中插入 cost 函数的概念：J(θ 0 ,θ 1 )=12m ∑ i=1 m (h θ (x (i) )−y (i) ) 2 =1m ∑ i=1 m cost(h θ (x (i) ),y (i) )=1m ∑ i=1 m cost(h θ (x),y)

   2. 全然照搬线性回归的 cost function 到逻辑回归中，由于sigmoid函数的非线性，会造成J(θ) 取值的不断震荡。导致其是一个非凸形函数（non-convex）。表示在“J(θ)—θ ”二维图中例如以下：
      
      

   3. 我们须要构造一种新的 cost 函数。出发点为：
      
      • 当y=1 时，若hypothesis函数拟合结果为0，即为“重大失误”。cost 趋于无穷大；
      • 当y=0 时，若hypothesis函数拟合结果为1。即为“重大失误”，cost 趋于无穷大；

   4. 构造的新 cost 函数：

      cost(h θ (x),y)={−log(h θ (x)),y=1−log(1−h θ (x)),y=0  

      假设进一步合并，能够得到终于逻辑回归的cost函数。

      而且值得指出的是。代入这个cost函数通过梯度下降法得到的 θ  更新函数依旧成立：

      cost(h θ (x),y)=−ylog(h θ (x))−(1−y)log(1−h θ (x)) 
      
      θ j :=θ j −α1m ∑ i=1 m [(h θ (x (i) )−y (i) )x (i) j ]

3. 梯度下降法的优化

   1. 对于梯度下降法的优化有非常多，可是都须要J(θ) 与∂J(θ)∂θ j   的代码。
   2. 以此为基础的对于梯度下降法的优化（视频中都没有详细介绍，有兴趣的同学能够点击链接）有：
      
      • 共轭梯度法：https://en.wikipedia.org/wiki/Conjugate_gradient_method
      • BFGS：

        title=Broyden%E2%80%93Fletcher%E2%80%93Goldfarb%E2%80%93Shanno_algorithm&redirect=no">https://en.wikipedia.org/w/index.php?title=Broyden%E2%80%93Fletcher%E2%80%93Goldfarb%E2%80%93Shanno_algorithm&redirect=no

      • L-BFGS：https://en.wikipedia.org/wiki/Limited-memory_BFGS
   3. 这些优化方法的特点也非常一致：
      
      • 不须要人为选择 α 。自适应性
      • 更复杂。更慢
   4. 这里提到了两个MATLAB的非线性优化函数：
      
      • optimset：创建或编辑一个最优化參数选项。

        详细调用在MATLAB中 help optimset 命令查看。

      • fminunc：最小值优化。详细调用在MATLAB中 help fminunc 命令查看。
   5. 个人建议：Ng在优化这一部分讲的过于简略，基本等于什么都没说……还是要依据这几个方法名称在使用时搜索很多其它。

4. one vs. all (one vs. rest)

   1. 假设须要进行多类的分类，须要一种精妙的修改，使得两类的分类问题得以适用于多类的分类。
      • 现已知有n类样本须要区分开（1。2。3，……）；
      • 以原1类为新1类，剩余的原2，3，……作为新2类。

        原本的多类问题变成了二类问题。h (1) θ (x)=P(y=1|x;θ) ；

      • 以原2类为新1类。剩余的原1，3。……作为新2类。再分类，h (2) θ (x)=P(y=2|x;θ) 。
      • ……h (i) θ (x)=P(y=i|x;θ) ；
      • 对于随意一个 x  而言，怎样分辨是哪一类呢？于是，求出全部的h (1) θ (x)。h (2) θ (x)，h (3) θ (x)。……，h (n) θ (x) ，值最大相应的i （表示y=i 的概率最大）即为x 的所属分类

5. Regularization（正则化）

   1. 拟合会产生三种情况：
      • underfitting（欠拟合）=high bias，大部分训练样本无法拟合
      • overfitting（过拟合）=high variance，为了拟合差点儿每个训练样本。

        导致拟合函数极为复杂。易产生波动，泛化（generalize）能力差，尽管训练样本差点儿百分百拟合，可是測试样本非常可能由于极大波动而极少拟合成功

      • just right，对于训练样本，拟合得不多不少刚刚好，而且泛化到測试样本拟合效果相同较好
   2. 欠拟合，比較好解决，创造并引入很多其它的特征就可以。比如：对于x,y 而言，能够引入x 2 ,y 2 ,xy 等等新的特征
   3. 过拟合，则比較复杂。

      可用的方法有两个：

      • Reduce number of features，降维（PCA？）
      • Regularization，正则化。保持全部的特征数量不变。而去改变特征前的度量单位 θ j  （若 θ j   趋于0，则此特征可视为无影响）
   4. 解决过拟合的正则化方法，因此须要引入全新的优化目标到 cost function 中。原先的 cost function 仅仅是希望适合拟合更为接近，如今还须要使得特征前的度量单位 θ j   的最小。因此有：
      
      

      J(θ 0 ,θ 1 )=12m [∑ i=1 m (h θ (x (i) )−y (i) ) 2 +λ∑ i=1 m θ 2 j ]

   5. 正则化方法处理之后。∂J(θ)∂θ j   发生相应变化，因此我们有：

      θ j :=θ j −α[(1m ∑ i=1 m (h θ (x (i) )−y (i) )x (i) j )+λm θ j ]:=θ j (1−αλm )−α1m ∑ i=1 m (h θ (x (i) )−y (i) )x (i) j

   6. 若λ 非常大（比如10 10  ），则正则化方法会导致结果 underfitting。这也非常好理解，由于优化目标中有使得 λ∑ i=1 m θ 2 j   尽可能小，这样会导致 θ  全部趋于 0。一般来说，α,λ,m>0 ，所以(1−αλm )<1 。常见使其取值0.99 左右

6. Regularization for Normal Equation

   • 课程视频中缺少证明。因此我们仅需掌握结论使用就可以

   • 对于 Week 2 中的Normal Equation方法，原本须要求解的方程 θ=(x T x) −1 x T y  做一个小小的修改：

     θ=(x T x+λ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ 00⋮0 01⋮0 ……⋱… 00⋮1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ) −1 x T y

     若样本拥有n个特征。则⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ 00⋮0 01⋮0 ……⋱… 00⋮1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟  表示的是(n+1) * (n+1)维的对角矩阵。除了(0, 0)取值为 0，其余对角位置取 1。

   • non-invertibility：非不可逆性……好拗口。意思就是对于原本的(x T x) 矩阵可能会出现不可逆的情况。可是，对于正则化之后的矩阵 (x T x+λ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ 00⋮0 01⋮0 ……⋱… 00⋮1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ )  一定是可逆的（未提供证明）。

---

编程作业答案：https://github.com/cnauroth/machine-learning-class