【机器学习算法】以最大似然估计角度理解多元线性回归损失(最小二乘法)

以极大似然估计角度推导多元线性回归损失函数

从一元线性回归开始

以一元线性回归为引：

一元线性回归的函数表达式：
$$\mathrm{y}=\mathrm{w}\mathrm{x}+\mathrm{b}+\epsilon$$
即待遇测的变量y同输入x大体呈一元线性关系，这里的epsilon表示预测结果与真实值之间存在的误差

多元线性回归

对于多元线性回归，其输入x和输出y则包含有多个变量

多元线性回归函数表达式：
(这里假设x是n维的，y是m维的):
$$\begin{array}{l}{\mathrm{y}}_1={\mathrm{w}}_{11}{\mathrm{x}}_1+\dots +{\mathrm{w}}_{1\mathrm{n}}{\mathrm{x}}_n+{\mathrm{b}}_1+{\epsilon }_1\\ {\mathrm{y}}_2={\mathrm{w}}_{21}{\mathrm{x}}_2+\dots +{\mathrm{w}}_{2\mathrm{n}}{\mathrm{x}}_n+{\mathrm{b}}_2+{\epsilon }_2\\ \dots \dots \\ {\mathrm{y}}_{\mathrm{m}}={\mathrm{w}}_{\mathrm{m}1}{\mathrm{x}}_1+\dots +{\mathrm{w}}_{\mathrm{m}\mathrm{n}}{\mathrm{x}}_{\mathrm{n}}+{\mathrm{b}}_{\mathrm{m}}+{\epsilon }_{\mathrm{m}}\end{array}$$
如果使用上述连加的表达式，写法虽然直观，但是对于计算机而言这种计算方式实则比较繁琐,在计算的过程中必定要用到循环控制流。而计算机处理循环语句的速度是要远远慢于矩阵运算的。因此多元线性回归公式一般使用矩阵表示更为简洁：
$$\mathbf{Y}={\mathbf{W}}^T\mathbf{X}+\mathbf{b}+\mathbf{\epsilon }$$
其中：
$$W=\left[\begin{array}{l}{w}_{11},\cdots ,w_{1n}\\ ⋮\ddots ⋮\\ w_{m1},\cdots ,w_{mn}\end{array}\right]$$

$$\begin{array}{rl}& Y={\left[y_1,y_2,\dots ,y_m\right]}^T\\ & X={\left[x_1,x_2,\dots ,x_n\right]}^T\\ & b={\left[b_1,b_2,\dots ,b_n\right]}^T\\ & \epsilon ={\left[{\epsilon }_1,{\epsilon }_2,\dots ,{\epsilon }_n\right]}^T\end{array}$$

在这里，我们对误差epsilon单独做一个分析，既然是误差，我们就期望其尽量达到最小，针对上式，我们可以将epsilon表示为
$$\begin{array}{rl}& \epsilon =Y-(W^{T}X+b)\\ & \epsilon =Y-\hat{Y}\end{array}$$
在这里我们为了使epsilon的形式简洁，经常使用一个小trick，在W矩阵的第一列添加一列w0项，在X向量的第一行添加一个1项，这样w0和1相乘的结果就同样也可表示偏置项b：
$$\begin{array}{rl}& W=\left[\begin{array}{l}{w}_{10},w_{11},\cdots ,w_{1n}\\ {⋮}_{}{\ddots }_{}{⋮}_{}\\ w_{m0},w_{m1},\cdots ,w_{mn}\end{array}\right]\\ & X={\left[1,x_1,x_2,\dots ,x_n\right]}^T\end{array}$$
将改变后的W矩阵称为theta,整个式子消除了b将更为简洁：
$$\epsilon =Y-{\theta }^{T}X$$

误差项的概率密度函数

然后我们假定所有样本的误差都是独立的，有上下的震荡，我们可以将误差当做随机变量，足够多的随机变量叠加之后形成的分布，根据中心极限定理，它服从正态分布，即高斯分布。均值和方差为某个定值
(这是众多机器学习算法的重要假设！！)。

方差我们先不管，均值我们总有办法让它去等于零 0 的，为什么? 因为在公式中具有b截距项，因此所有误差就可以认为是服从均值为 0，方差为某定值的高斯分布。基于此，误差项epsilon就可通过条件概率表示为：
$$f\left({\epsilon }_i\mid \mu ,{\sigma }^2\right)=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left({\epsilon }_i-0\right)}^2}{2{\sigma }^2}}$$
以上的公式表明，误差epsilon在均值为0，方差为sigma^2的前提下服从右边的正态分布。

此时我们不得不再提一下多元线性回归的初心，那就是估计参数W和b使得预测结果相较于真实值的误差epsilon达到最小，而现在我们有了误差项的概率密度函数，因此我们只需要找到一个方法，求得每一项的最小epsilon并使得所有的误差项加起来能够达到最小，然后求取这个最小epsilon对应的参数W和b，这个方法是否存在呢？

不着急，我们再来推敲下上面这个条件概率，这个正态分布不难理解，那就是当误差为0时，这个密度函数具有最大值，而误差为0，不就是我们想要的理想情况吗？

好，那问题就又转化为，求取参数W和b使得左边的条件概率取得最大值，现在仔细想想，在概率统计学中，有一个方法和我们所期望算法十分类似，对，就是概率统计学中的极大似然估计

误差项的极大似然函数

接下来我们把最大似然函数通过正态分布概率密度函数表达出来：
$$L_{\theta }\left({\epsilon }_1,\dots ,{\epsilon }_m\right)=f\left({\epsilon }_1,\dots ,{\epsilon }_m\mid \mu ,{\sigma }^2\right)$$

$$L_{\theta }\left({\epsilon }_1,\dots ,{\epsilon }_m\right)=\prod _{i=1}^{\mathrm{m}}f\left({\epsilon }_i\mid \mu ,{\sigma }^2\right)=\prod _{i=1}^{\mathrm{m}}\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left({\epsilon }_i-0\right)}^2}{2{\sigma }^2}}$$

而epsilon又可以表示为仅包含X,Y,theta的形式:
$${\epsilon }_i=\left|y_i-\widehat{y_i}\right|=\left|y_i-W^T{x}_i\right|=\left|y_i-{\theta }^T{x}_i\right|$$
所以有
$$L_{\theta }\left({\epsilon }_1,\dots ,{\epsilon }_m\right)=\prod _{i=1}^{\mathrm{m}}\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left({\epsilon }_i-0\right)}^2}{2{\sigma }^2}}=\prod _{i=1}^{\mathrm{m}}\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left(y_1-{\theta }^T{x}_i\right)}^2}{2{\sigma }^2}}$$

求解极大似然函数，推得多元线性回归的损失函数

我们的问题是求取参数theta使得似然函数最大化，即求取：
$$\underset{\theta }{\mathrm{argmax}}{L}_{\theta }\left({\epsilon }_1,\dots ,{\epsilon }_m\right)=\underset{\theta }{\mathrm{argmax}}\prod _{i=1}^{\mathrm{m}}\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left(y_i-{\theta }^T{x}_i\right)}^2}{2{\sigma }^2}}$$
在这里，我们再次运用求取最大似然函数的一个小trick，取对数似然函数，将连乘转化为连加：
$$\underset{\theta }{\mathrm{argmax}}{L}_{\theta }\left({\epsilon }_1,\dots ,{\epsilon }_m\right)=\underset{\theta }{\mathrm{argmax}}\ln \left(\prod _{i=1}^{\mathrm{m}}\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left(y_1-{\theta }^T{x}_i\right)}^2}{2{\sigma }^2}}\right)$$
令：
$$l(\theta )=\underset{\theta }{\mathrm{argmax}}L(\theta )$$
则(连乘转化为连加)：
$$\begin{array}{rl}l(\theta )& =\underset{\theta }{\mathrm{argmax}}\ln \left(\prod _{i=1}^{\mathrm{m}}\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left(y_i-{\theta }^T{x}_i\right)}^2}{2{\sigma }^2}}\right)\\ & =\underset{\theta }{\mathrm{argmax}}\sum _{i=1}^m\ln \left(\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\left(y_1-{\theta }^T{x}_i\right)}^2}{2{\sigma }^2}}\right)\end{array}$$

$$=\underset{\theta }{\mathrm{argmax}}\sum _{i=1}^m\left[\ln \left(\frac{1}{\sqrt{2\pi {\sigma }^2}}\right)-\frac{{\left(y_1-{\theta }^T{x}_i\right)}^2}{2{\sigma }^2}\right]$$

$$=\underset{\theta }{\mathrm{argmax}}m\ln \frac{1}{\sqrt{2\pi }\sigma }-\frac{1}{2{\sigma }^2}\sum _{i=1}^m{\left(y^{(i)}-{\theta }^T{x}^{(i)}\right)}^2$$

$$\begin{gathered} 由于m\ln \frac{1}{\sqrt{2\pi }\sigma }和-\frac{1}{2{\sigma }^2}是常数项，即使舍去也不影响最终结果, \\ 但是，由于舍去了负号，我们需要把max改为min \end{gathered}$$

所以，目标参数theta的函数形式可以表示为(可见极大似然估计就是最小化损失)：
$$l(\theta )=\underset{\theta }{\mathrm{argmin}}\sum _{i=1}^m{\left(y^{(i)}-{\theta }^T{x}^{(i)}\right)}^2$$
若仅体现损失：
$$loss=\sum _{i=1}^m{\left(y^{(i)}-{\theta }^T{x}^{(i)}\right)}^2$$
至此，我们就已经推导出来了多元线性回归的损失函数，是不是很熟悉，这不就是最小二乘嘛？

是的，并且这个损失函数的最终形式的物理意义也很明确，那就是使得预测值和真实值的误差的平方达到最小(接近0)，如下图

值得一提的是，最小二乘在机器学习上也称作均方根损失(MSE)，多元线性回归损失只是其中的一种特殊形式，其一般形式如下:
$$MS{E}_{loss}=\frac{1}{n}\sum _{i=1}^n{\left(\widehat{y_i}-y_i\right)}^2$$