机器学习 - 课程笔记

线性回归

代价函数J，也被称为平方误差函数，用来描述假设函数值与真实值的误差大小。其中乘1/2是用于减少平均误差，并且后面求导会有一个2，可以消掉。线性回归的代价函数常用平方误差函数。

假设函数的参数是x，代价函数的参数是θ。

梯度下降法

要得到最小化代价函数的Θ0和Θ1参数，在代价函数中将Θ0和Θ1初始化为0，然后不断改变Θ0和Θ1来减小代价函数的值。

选择不同的初始点会得到不同的结果

梯度下降法公式，

α是学习速率，用来控制下降的步长大小。如果设置太小会使得变化太慢，如果设置太大会使得步长太大而可能无法达到最低点。

后面的是导数项，即代价函数对Θj的偏导。如果保持α不变，下降的步长也会越来越小，因为导数项（切线斜率）会越来越小。

需要注意的是应该用左边的写法进行赋值，保证Θ0和Θ1同时变化。右边的写法是错误的，这是另一种算法。

多元情况下，同样对每个维度进行下降，然后同时变化。·

梯度下降法可能无法找到全局最优点，如果初始点在局部最优点，则不会变化。

线性回归的代价函数是一个碗状的函数，术语叫做凸函数。它只有一个全局最优点，适合用梯度下降法。

将梯度下降法用于线性回归模型。

多元梯度下降法

多元梯度下降法------特征缩放，将所有特征缩放到相近的尺度，如缩放到0-1内。但是尺度太大或太小也不好，比如大于[-3,3]和小于[-1/3,1/3]。另外特征缩放只是为了让梯度下降运行的更快一点，尺度也不要求特别精确。

下面中原来的两个特征值尺度相差过大，在梯度下降时会很慢，这里直接除以最大值，缩放到[0,1]内。

均值归一化，将xi替换为xi-μi，让特征值具有为0的平均值。其中μi是训练集中特征xi的均值。然后除以该特征值的范围si，这里范围si指最大值减去最小值。

代价函数随着梯度下降迭代次数变化的曲线图，正常来说代价函数的值应该是逐渐减少的，并且从图中可以看出是否已经收敛。

如果曲线图中代价函数的值是升高的，说明学习率α可能设置过大了，应该减小学习率α。如果曲线一会升高一会又降低，也应该减小学习率α。

一般可以选择以3为倍数进行调试，如..., 0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1,...

多项式回归

多项式回归，将多次项作为一个新的变量，这样就能继续应用线性回归的方法。注意这时使用特征缩放就更重要了。

正规方程

正规方程，区别于使用迭代方法的梯度下降，是通过数学计算直接得到最小化代价函数的θ值。

具体为，对代价函数J(θ)的每个特征变量求偏导数，然后将它们全部置零，计算出对应的θ1,
θ2,..., θn，从而得到最小化代价函数J的θ值。

使用正规方程法仅需要进行如下步骤：对数据集添加一个对应额外特征变量的x0；然后构建一个矩阵X，包含所有训练样本的特征变量，其中每一行是一个样本；然后将要预测的值构建一个向量y；最后按照公式计算θ即可。

使用正规方程和梯度下降的区别如下：

梯度下降需要选择学习速率α，这意味着需要运行多次来尝试不同的学习速率α；梯度下降需要进行多次迭代，计算可能更慢。而正规方程不需要选择α，也不用迭代。

但正规方程需要计算n*n的矩阵运算，所以如果特征变量的数量n很大的话，计算会很慢，比梯度下降法会慢很多。

一般来说，如果特征数量大于一万的话，就考虑换成梯度下降法。另外正规方程没法用于逻辑回归等更复杂的算法，但在线性回归模型上，特征数量小的话，使用正规方程会更好。

逻辑回归

逻辑回归是一种分类算法，它的输出（预测值）一直在[0,1]中。

逻辑回归的假设函数是h(x)=g(θ^Tx)，如下。其中函数g(z)是sigmoid函数或称为logistic函数，g(z)永远在0到1之间。

逻辑回归的假设函数表示的是在给定x和θ的条件下，y=1的概率。

当概率大于0.5时就判断y=1，当概率小于0.5时就判断y=0。而由于sigmoid函数g(z)在z=0时的函数值是0.5，所以可得到当z即θ^Tx>0时判断y=1，当θ^Tx<0时判断y=0。

例如下图场景，θ^Tx=-3+x1+x2，则当-3+x1+x2>=0时预测y=1。

另外对于直线-3+x1+x2=0，即x1+x2=3，整个平面被其划分，上半部分都预测y=1，下半部分都预测y=0，这条直线就被称为决策边界。

需要注意的时，决策边界是由假设函数确定的，与特征向量有关，与训练集无关。

关于逻辑回归的代价函数。

首先将线性回归的平方误差代价函数写作带有cost项的形式，这个cost项就是指输出的预测值为h(x)，而实际标签是y的情况下，学习算法付出的代价。

如果在逻辑回归中直接使用平方误差函数，会导致它
变成参数θ的非凸函数，有许多局部最优点，无法使用梯度下降达到全局最优点。

逻辑回归使用的cost项如下，根据真实标签y的值分为不同的函数。

当y=1，h(x)=1时，代价为0。

当y=1，h(x)=0时，代价为无穷大。

当y=0，h(x)=0时，代价为0。

当y=0，h(x)=1时，代价为无穷大。

将逻辑回归代价函数的cost项用一个式子表达，得到的代价函数如下。

同样用梯度下降算法得到最小化代价函数的参数θ值。

用二元分类方法解决多元分类问题

如下图所示，一个三分类问题，可以分为三个二分类问题。新建三个伪训练集，将要判断的类别（如三角）做为正类，其他类别作为负类，训练得到三个分类器。其中每个分类器的作用其实是计算出x是其正类的概率。最后从三个分类器中选择h(x)最大的预测值。

过拟合问题

假设模型过于拟合训练集，导致它无法泛化到新的样本中，无法预测新样本的值。

"泛化"是指一个假设模型应用到新样本的能力。

过拟合模型的曲线是非常扭曲的。

如果有过多的特征变量，但只有非常少的训练数据时，就会出现过度拟合的问题。

解决过拟合的方法：

1. 尽量减少特征数量，选择更重要的特征保留。但是其舍弃了一部分特征变量，意味着也舍弃了关于问题的一些信息。

2. 正则化，保留所有特征变量，但是减少量级或者参数θj的大小。

正则化方法如下：在代价函数后面加上正则化项(1000θ₃²+1000θ₄²)，惩罚参数θ₃和θ₄，要让新的代价函数最小，那么θ₃和θ₄都要接近于0，这样一来近似于在假设函数中去掉了θ₃和θ₄的项。最终假设函数的曲线会近似于二次函数，只加上了一些非常小的项。

正则化的思想就是，将参数值减小，参数值较小意味着一个更简单的假设模型，曲线也越平滑，因此更不容易出现过拟合的问题。

由于我们一般不知道哪个参数的相关度更大，因此在正则化中缩小所有的参数。注意这里是从θ₁到θ_j，不包含θ₀。

最终得到的正则化代价函数如下，在一般目标的基础上加上了正则化项。其中λ是正则化参数，用于平衡两个目标（更好的拟合训练集和将参数控制的更小），加号分割的两部分即分别是这两个目标的体现。

如果正则化参数设置太大的话，会导致删掉参数项，只留下θ₀，造成欠拟合。

对正则化代价函数使用梯度下降如下，即每次迭代时，对θ_j乘以一个比1略小的数，然后进行和之前一样的更新操作。

对正则化代价函数使用正规方程如下，加上了一个(n+1)*(n+1)的矩阵项。

逻辑回归的正则化代价函数如下，在一般目标的基础上，加上和线性回归中相同的正则化项。

对逻辑回归的正则化代价函数使用梯度下降如下，看起来和上面线性回归的相同，但其实假设函数h(x)不一样。

神经网络

对于图像识别问题，每个像素点都作为一个特征，特征太多，维度太高。

对于只包含平方项或立方项特征的逻辑回归算法，没法处理这种特征数量太多的问题。

而神经网络是一种学习复杂的非线性假设的更好算法，即使特征数量很多也可以处理。

神经网络是模拟动物神经元或神经网络提出的算法。

神经元结构如下，包括细胞体、树突、轴突等，树突用来接收其他神经元的信息，在细胞体进行处理后，使用轴突发送给其他神经元。

模拟的神经元模型如下，通过输入通道传递一些信息给它，然后神经元进行计算，并通过输出通道传递计算结果。其中x和θ是参数向量。

下图被称为一个带有sigmoid或者logistic激活函数的人工神经元。其中激活函数是指代非线性函数g(z)的另一个术语。

神经网络其实就是由一组神经元连接在一起的集合，如下。其中第一层被称为输入层，因为在这一层输入特征；最后一层被称为输出层，因为这一层的神经元输出最终结果；中间层被称为隐藏层，因为我们可以看到输入和输出，但中间的结果是隐藏的，隐藏层可以有多个。

应该注意的是，一般有一个x0单元没有画出，这个单元被称为偏置单元或偏置神经元，它的值始终是1。

神经网络中，激活项a_i^(j)是指由一个具体神经元计算并且输出的值，这里上标j表示与第j层相关。

权重矩阵θ^(j)用于将神经网络参数化，它控制着从第j层到j+1层的映射，如下图。θ⁽¹⁾就是一个控制从三个输入单元到三个隐藏单元的映射的参数矩阵，是一个3*4矩阵（其中有一个未画出的x0单元）。

一般地，如果s_j层有j个单元，s_j+1层有j+1个单元，则矩阵θ^(j)的维度就是(s_j+1)*(s_j+1)。

神经网络定义了函数h(x)从输入x到输出y的映射，即假设函数h(x)，参数为θ，通过改变θ就能得到不同的假设。

神经网络计算假设函数h(x)的过程，是一个前向传播的过程，从输入单元的激活项开始，前向传播给隐藏层，计算隐藏层的激活项，然后继续前向传播，计算输出层的激活项。

这一过程的向量化实现方法，首先将a⁽ⁱ⁾计算过程中，激活函数g的参数称为z⁽ⁱ⁾，如a₁⁽²⁾=g(z₁⁽²⁾)，z⁽ⁱ⁾是某个特定神经元的输入值x0,x1,x2,x3的加权线性组合。将x和z⁽²⁾定义为向量如下，可进行矩阵运算得到激活项a⁽²⁾。另外可以定义a⁽¹⁾=x，将a⁽¹⁾定义为输入层的激活项，计算z⁽²⁾和a⁽²⁾。然后a⁽²⁾添加上偏置单元a₀⁽²⁾=1，使用a⁽²⁾计算z⁽³⁾和a⁽³⁾。

下图中，遮住输入层后，整个模型就是一个逻辑回归，不过特征是通过隐藏层计算的这些值。

这个逻辑回归模型中，特征是由输入层参数经过映射函数得到的，函数由参数θ⁽¹⁾决定，也就是在神经网络中，它自己训练逻辑回归的输入，因此如果改变θ⁽¹⁾可能会学习到一些很复杂的特征。

神经网络中神经元的连接方式称为神经网络的架构

神经网络的简单例子如下，通过设置参数θ，可以得到等价为与运算的假设函数。其中g(x)是激活函数，当x趋向于正无穷时，g(x)趋向于1，当x趋向于负无穷时，g(x)趋向于0。

要得到非x1，就在x1前面加一个很大的系数，并且x0的系数需要是正的。

将输入放在输入层，在隐藏层计算一些关于输入的略微复杂的功能，然后再增加一层，用于计算一个更复杂的非线性函数。（这图有点像逻辑电路）

多元分类，建立有多个输出单元的神经网络，每个输出单元分别用于判断不同的结果。

SVM支持向量机

SVM的代价函数曲线例如下图，和逻辑回归相比，是使用两段直线。

SVM的代价函数相比逻辑回归，删掉了一个系数1/m，并且正则化项前的正则化参数λ换成代价函数前的C。并且将原来的log项换成cost1和cost2。

支持向量机也被称为大间距分类器。

对于一个正样本，只有z>=1时，代价才为0。

对于一个负样本，只有z<=-1时，代价才为0。

当C设置很大时，最小化SVM的代价函数，会倾向于找到一个参数使得代价函数中的第一项为0，这时当y=1时，θ^Tx>=1，当y=0时，θ^Tx<=-1。从而可以得到一个很有趣的决策边界。如图，黑线是SVM得到的决策边界，显然黑线与训练样本的最小距离更大，即拥有更大的间距。

但是当C设置很大，只使用大间距分类器的话，对异常点会很敏感。当C不是非常大时，可以忽略这些异常点。

聚类

聚类算法属于无监督学习，如k-means算法。K-means算法步骤如下：

要将数据分为两类，首先随机生成两点作为聚类中心。

k-means重复进行两个步骤：1.簇分配，2.移动聚类中心。

簇分配是遍历每个样本，根据样本和两个聚类中心的距离判断，将样本分配给较近的聚类中心。

移动聚类中心是计算两个聚类的平均位置，将聚类中心移动到新的平均位置处。

重复进行这两个步骤，直到聚类中心不再发生变化时，认为已经聚合了。

k-means算法的输入为：1.簇的数量K，2.训练集

k-means优化目标函数（最小化代价函数）是对xi到μci距离的平方求和。参数ci表示
xi所属的簇的序号，μk表示第k个聚类中心的位置。μci表示xi所属的簇的聚类中心位置。K-means就是要找到参数ci和μi，使得代价函数最小。

簇分配通过修改xi来最小化代价函数，移动聚类中心是通过修改μci来最小化代价函数。

随机初始化聚类中心的方法。

首先应该保证簇的数量K<样本数量m。

然后随机挑选K个训练样本，令聚类中心μi等于这K个样本。

但是根据随机挑选的K个训练样本不同，k-means可能落在局部最优。

我们可以多次初始化并运行k-means算法，从而得到一个尽可能好的局部或全局最优值。如执行100次k-means算法，然后再选择代价最小的一个。应该注意，当K小的时候运行多次算法可以很好地最小化代价函数，当K很大时候则通常不会有多少改善。

选择聚类数量K的方法。最常见的还是通过观察可视化的图，手动选择K的值。

这里介绍一种方法称为肘部方法。从1开始逐渐增加K的值，并且计算代价函数，画出对应的曲线，观察曲线的肘部，即一个阈值，将该阈值设置为K。但通常得到的曲线不好判断肘部。

另一种方法是结合聚类算法的下游需求，比如要给三件衣服做分类，K就是3。

推荐系统

推荐系统用于向用户推荐他们可能感兴趣的事物。

基于内容的推荐算法，如下例，预测用户对电影的评分。

首先nu表示用户数量，nm表示电影数量。

假设每部电影都有一个对应的特征集，这里假设有x1和x2，x1衡量爱情片程度，x2衡量动作片程度。并且加入一个额外特征x0=1，称为截距特征。从而对每部电影都会有一个特征向量x⁽ⁱ⁾。用n表示特征数量，这里n=2。

可以将每个用户的评价预测值看作一个线性回归问题，对每个用户，需要学习一个参数向量θ^(j)，参数向量是n+1维的。

学习到一个用户的参数向量θ⁽ⁱ⁾后，计算(θ⁽ⁱ⁾)^(T)x^(j)就能得到用户i对电影j的评价预测值。

用于学习θ的代价函数如下。

r(I,j)表示用户j是否有对电影i评分，y^(I,j)表示用户j对电影i的评分值。i:r(I,j)=1表示所有用户j评分过的电影。

代价函数由方差项和正则化项组成。要学习所有用户的参数，需要在前面再加一个对所有用户的求和，并且最终最小化这个总体代价函数。

推荐系统的另一种方法是协同过滤。

协同过滤算法有一个特征学习的特性，可以自行学习要使用的特征。

假设不知道电影的特征值x⁽ⁱ⁾，但知道每个用户的参数θ^(j)（各种电影的喜爱程度，问卷等方法）。用每个用户的参数向量θ和用户对电影的评分就能推断出电影的特征值。

协同过滤的代价函数如下，已知参数向量θ⁽ⁱ⁾，要学习特征向量x⁽ⁱ⁾，即是要得到当代价函数最小化时特征x⁽ⁱ⁾的取值。由一个平方误差项和一个正则化项组成，正则化项用于防止特征值变得太大。要学习所有电影的特征向量，所以在前面加上对所有电影的求和。

所以这里是通过给定的参数向量θ来学习特征向量x，而之前提到的是通过给定的特征向量x来学习参数向量θ。其实我们可以先随机化一个参数向量θ，然后通过θ学习x，再通过x学习θ，再通过θ学习x，以此类推，直到收敛到一组合理的θ和x。

但其实存在一个更有效率的算法，不需要重复计算x和θ，而是可以将x和θ同时计算出来。代价函数如下，如果将x都设置为常数，然后求j关于θ的最小值的话，相当于计算第一个公式；如果将θ设置为常数，然后求j关于x的最小值的话，相当于计算第二个公式。

我们将这个代价函数视为特征x和用户参数θ的函数，同时进行最小化。

使用这种形式学习特征值时，不需要额外特征x0，特征向量为n维。参数向量同样是n维，不需要θ0。

所以协同过滤算法步骤如下：

首先初始化x和θ为小的随机值。

然后使用梯度下降或者其他优化算法将代价函数最小化。

最后对于一个用户的参数向量θ和电影的特征向量x，可以预测用户对电影的评分。

可以将评分y，特征值x，用户参数θ，预测评分都作为一个矩阵。用矩阵运算来计算预测评分。这个协同过滤算法也叫做低秩矩阵分解。

协同过滤算法中，如果一个用户没有对任何电影做出评价，那么他的参数值会都是0，对任何电影的预测结果也都是0。

可以使用均值归一化解决这个问题。计算每个电影所得评分的均值，把它放在μ向量中。然后将原始评分减去均值，使得每个电影的平均评分都是0。用这些新评分作为训练集学习θ和x。

预测用户评分时，用得到的θ和x内积再加上μi。这样对于没有评价过电影的用户，他的预测结果也是平均评分μi，而不是0。

系统设计

比如用于垃圾邮件检测，我们选择一些重点词汇作为特征，如选择100个词，就有100维的特征。然后对每个邮件样本进行数据预处理，得到它的特征向量。用这些特征向量作为样本训练模型。

性能评估

准确率：分类正确的样本数占样本总数的比例。

查准率（精确率）：检索到结果中有多少是正确的。

查全率（召回率）：所有正确结果中有多少被检索出来了。

F1：既能体现精确率又能体现召回率的一个评价指标。

下面为混淆矩阵，以及各性能计算。

决策树

划分属性，三种方法：信息增益、增益率、基尼指数

信息增益：计算每个属性的信息增益，选择信息增益最大的作为划分属性。缺点：信息增益对可取值数目较多的属性有偏好。

增益率：缺点：对取值数目较少的属性有偏好。C4.5 算法中使用启发式：
先从候选划分属性中找出信息增益高于平均水平的，再从中选取增益率最高的。

基尼指数：选择基尼指数最小的属性，反映了从 D
中随机抽取两个样例，其类别标记不一致的概率。

信息增益计算例子：

预剪枝：生成过程中，对每个结点划分前进行估计，若当前结点的划分不能提升泛化能力，则停止划分，记当前结点为叶结点。叶节点类别为之前该子树中样本数量较多的类别。

后剪枝：生成一棵完整的决策树后，从底部向上对内部结点进行考察，如果将内部结点变成叶结点，可以提升泛化能力，那么就进行交换。