1. 机器学习(一)线性回归
给定数据集 D={( , ),( , ),…,( , )},其中 。“线性回归”(linear regression)试图学的一个线性模型以尽可能地准确预测实值输出标记
当前我只考虑输入属性的数目为一个
对于下面的实现主要给出代码中体现计算的一些公式,在吴恩达老师的视频以及周志华老师的《机器学习》一书中很容易实现,而我后期机器学习基本公式推导、模型讲解以及相关的改进也是基于上述的资料。
1.1最小二乘法
线性回归试图学得
性能度量:均方误差
基于均方误差最小化来进行模型求解的方法称为“最小二乘法”
求得的参数
和
最优解的闭式解
具体的matlab代码实现:
function [coef_,intercept_]=Linearmodel_1D(X,y)
m = size(X,2);
average_x = sum(X)/m;
w_t = sum(y.*(X-average_x));
w_b = sum(X.^2)-(sum(X)).^2/m;
coef_ = w_t/w_b;
intercept_ = sum(y-coef_*X)/m;
y_predict = coef_*X+intercept_;
plot(X,y,'ro',X,y_predict,'b--');
legend('Training data','Linear regression');
end
1.2 梯度下降
梯度下降采用吴恩达老师课程讲解的内容,具体简单写一下一元线性回归的必备知识点:
- 假设函数:
- 参数: ,
- 代价函数(Cost function):
- 目的:
具体的代码实现:
clc;
clear;
data = load('test.txt');
X = data(:,1);
y = data(:,2);
[coef,intercep]=Linearmodel_1D(X,y)
figure;
plot(X,y,'r*');
% x加入一列,变成(25,2)
m = length(y);
X = [ones(m,1),data(:,1)];
% 初始化参数
theta = zeros(2,1);
% Gradient descent settings
iterate = 1000;
alpha = 0.01;
% 梯度下降,找到最佳参数
theta = gradientDescent(X,y,theta,alpha,iterate)
hold on;
% keep previous plot visible
plot(X(:,2),X*theta,'-');
legend('Training data','Linear regression of gradient descent');
hold off;
梯度下降函数的具体迭代公式如下:
function theta = gradientDescent(X,y,theta,alpha,num_iters)
m = length(y);
%样本数量
for iter = 1: num_iters
H = X*theta;
theta_sum = [0;0];
%theta_0更新
for i = 1:m
theta_sum(1,1)=theta_sum(1,1)+(H(i)-y(i));
end
% theta_1 更新
for i = 1:m
theta_sum(2,1)=theta_sum(2,1)+(H(i)-y(i))*X(i,2);
end
theta = theta-(alpha*theta_sum)/m;
end
end
同时为了比较最下二乘法和梯度下降算法,绘制出两类算法对应的图像以及相应参数如下
最小二乘法
=0.7463
=1.8745
梯度下降法
=-2.448
=2.1077
1.3问题
- 对于上述求得的假设函数应该如何选取?
- 不同的单变量线性回归,不同方法的选取的标准是什么?
对于我这个机器新手来说,还需要进一步加深理解,如果有啥大神来了可以帮我解答一下,我会非常感谢的!!