多元线性回归的假设函数下边我们介绍多个特征量的线性回归形式,并通过向量乘法表示。例如,之前的预测房价例子中,我们只有一个特征向量(房屋大小),来预测房屋价格。但是,实际上房屋价格不仅仅与大小有关,还与卧室数量、楼层数、使用年限等多个特征向量有关
相关符号含义
在多元线性回归中,m仍表示数据集的数据数量,上标i表示第i个训练样本;n表示每个数据的特征值数量,下标表示数据的第i个特征
多元假设函数的引入
例如在房价预测的例子中,可用上图的多元线性函数作为假设函数。随着面积、楼层数、此房屋所在楼层增大,房价增大;随着房屋年限增大,房价变小
用向量形式表示多元假设函数设x0=1,即定义了额外的特征量,但取值总为1.这样特征量可用一个n+1维向量表示,同样我们把参数看做n+1维的行向量。两个向量相乘,就得到我们的假设函数
多元线性回归的梯度下降法前边我们提到了多元线性回归的假设形式,下边我们看一下如何找到满足假设最拟合的参数。即如何使用梯度下降法,解决多特征的线性回归问题
多元线性回归的梯度下降法与一元线性回归类似,都是先写出代价函数式子,然后将代价函数代入梯度下降公式中,经过计算得到参数j的偏导数项。不断的用参数j,减去学习速率a*参数j的偏导数,直到参数收敛
多元梯度下降的参数更新规则实际上和一元梯度下降也是相同的。只是把x0设为1而已
梯度下降算法的使用技巧在学习完多特征的线性回归模型后,我们来看一下梯度下降算法的使用技巧
梯度缩放当机器学习问题有多个特征时,若特征都处于相近的范围内,梯度下降算法会更快地收敛。若特征范围相差较大,如预测房价问题中,面积大小在0~2000间,卧室数目在1~5之间,那么轮廓图就变成了非常瘦长的椭圆(类似地形图,卧室数目单位影响更大,所以变化更快,而地形图中变化快的线密集)。这个时候我们使用梯度下降法,就会来回波动,下降缓慢
这样的情况下,我们就会进行特征缩放,让特征的范围尽可能接近。这样轮廓图就会就会接近圆,不再是瘦长的椭圆。这时梯度下降的速率就会变快一般来说,特征缩放将特征缩放到-1和1之间。但是实际上范围可以大于小于这个范围,只要别太过分就行
如上图,0~3、-2~0.5是可以接受不用缩放的,但是-100~100、0.001就相差太远,需要用特征缩放。一般来说,-3~3和-1/3~1/3是可以接受的,超出就要考虑特征缩放
均值归一化除了梯度学习,也可以通过均值归一化,即让特征值具有0的平均值,来让梯度下降更快。减去平均值,除以范围(最大值-最小值)。不一定完全精确,大概就行
如何选择合适的特征和假设函数前边学习了多特征的线性回归,下边我们来看一下如何选择合适的特征或者方法
选择合适的特征:可以自己创造新的特征在预测房价的例子中,若给予宽度深度两个特征,而真正确定房价的特征应该是面积。所以我们用深度*宽度,得到新的特征面积,用一元线性回归进行预测
即我们不是给什么特征就用什么特征,而是从特征和标签的角度审视问题,必要时通过定义新的特征,得到更好地模型
选择合适的假设函数:了解各种函数的走势在机器学习中,有时线性函数不能很好的拟合数据,可能要用到非线性函数。如预测房价中,显然直线是不能拟合的;若使用二次函数的话,后边会降回来,但是房价不会因为面积过大降回来,不符合实际;因此我们考虑使用三次函数拟合
正规方程:求最优解参数的另一种方法在前边的线性回归问题中,我们一直使用梯度下降法求假设函数的最优解参数,这种方法需要通过多次迭代,来收敛到参数的全局最小值。这里,我们再引入正规方程的方法,通过矩阵计算,一步得出参数的最优解
先对正规方程有一个直观理解
先从一个参数看起,求最优解,就是求导,然后导数置零得到的参数值
当有多个参数时,对每个参数求偏导数,全部置零时得到的每个参数的值。但是偏微分方法太过复杂,因此我们不使用遍历微分的方法,而是通过矩阵计算得到参数值
假设有m=4个样本数据,首先构建前边的x矩阵。每个样本给出自己的特征向量(仍然x0=1),转置后,将第一个数据的向量作为第一行,第二个数据的向量作为第二行,以此类推。然后进行下边的矩阵计算,得到的结果就是参数值
正规方程和梯度下降的比较
梯度下降法:
(1)若参数不在相近的范围内,需要梯度缩放或者特征归一化,处理到相近范围内;特征方程则不需要
(2)需要人为选择学习速率,尝试不同的学习速率,运行多次找到最好的那个,带来了额外的工作和麻烦
(3)需要多次迭代,计算慢特征方程:
(1)不需要选择学习速率
(2)运行一次即可
(3)不需要画出曲线检查收敛性看了上边,似乎正规方程远优于梯度下降。但是,特征方程需要样本数目m和特征量n值比较小。由于矩阵运算相当于矩阵维度的三次方计算,当m或n太大时,计算会非常慢,还不如用梯度下降快。一般,我们把一万作为分界点,超过一万就只考虑梯度下降法,一万以内正规方程比较好
而且随着算法越来越复杂,后边的分类算法等只能用梯度下降,不能用特征方程解决
##### 使用正规方程的问题:矩阵的不可逆性当使用正规方程时发现矩阵不可逆怎么办?通常由两种原因引起
(1)某些特征间存在一个固定关系。例如预测房价中,把面积英寸和平方米作为特征,两者存在3.28的换算(线性)关系,这会造成矩阵的不可逆
(2)特征数量远大于数据个数。假设我们有10个训练样本,却有100个特征值,要从10个样本中找到100个参数值,太困难。可能造成矩阵的不可逆。对于m>>n的问题,我们可以通过正则化的线性代数方法,删除某些重复或低效特征解决m>>n的问题
如果觉得《多元回归求解 机器学习_机器学习笔记(3):多元线性回归和正规方程》对你有帮助,请点赞、收藏,并留下你的观点哦!