李宏毅机器学习课程笔记5：Unsupervised Learning - Linear Methods、Word Embedding、Neighbor Embedding

台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEE ML 2016 。
这篇文章是学习本课程第13-15课所做的笔记和自己的理解。

Lecture 13: Unsupervised Learning - Linear Methods

Unsupervised Learning有两种，化繁为简（Clustering & Dimension: 复杂的input→简单的output, training时只有一堆input, 不知output），无中生有（Generation: input random number, 经过function，得到image）。

Clustering

K-means

k需要自己定

Hierarchical Agglomerative Clustering (HAC)

HAC

聚类要把目标聚到某一类里边，而实际中可能目标70%属于一类，30%属于另一类，分布式的表示也可称为降维。

Dimension Reduction

Feature selection

如果data point的某一维都不变，就没有存在意义，可以去掉。
此方法适用场合有限。

Principle Component Analysis (PCA)

希望新的特征的variance尽量大，所以k个w选择的是cov(x)的前k个最大的eigenvalue对应的eigenvector。
这里写图片描述

数学推导：
PCA

新特征的各维度之间无相关性，作为input data，可用较简单的model处理，避免overfitting。

用SVD方法得到PCA的解：
SVD PCA

从NN角度理解PCA：

这里写图片描述

train这个NN的参数，让output与input越接近越好。
不能用gradient descent，以为不能保证 $w^i,w^j$ 正交。
效果也不会比SVD方法更好。

PCA的缺点：
1、PCA是无监督的，不知道数据的标签，这样在降维映射之后可能会把两类数据混到一起。
考虑数据标签的方法LDA（Linear Discriminant Analysis）可以避免这一问题。
2、PCA是线性的。把一个三维空间中的S形分布的数据做PCA之后的效果，就是把S形拍扁，而非展开。

对宝可梦做PCA
每个宝可梦是六维向量，计算出6个特征值，计算6个特征值的ratio，舍去较小的（只取前四个特征值的特征向量作为新的特征，或者叫主成分PC）。特征值的意义是，PCA降维时，在相应维度的variance有多大。
每个PC都是一个六维向量，分析它们在哪个维度是大的正值/负值，可以分析出这个PC所代表的意义。

对人脸做PCA
对人脸，取前30个PC，每个PC拼成image，发现都是脸，而不是脸的一部分。
解释：
NMF

对数字和人脸做NMF
得到的都是“部分”：
这里写图片描述

Matrix Factorization

人买公仔，人和公仔背后都有共同的隐藏属性影响人买多少公仔，例如人的属性：萌傲娇/萌天然呆，公仔的属性：傲娇/天然呆。
我们要从购买记录（矩阵）中推断出latent factor，latent factor的数目需要事先定好。
这里写图片描述

对矩阵做SVD，SVD的中间矩阵可以并到左边矩阵或右边矩阵。

有missing data怎么办？用gradient descent做，先定义loss function L（只考虑有定义的数据）。
这里写图片描述
得到 $r^A,r^B,r^C,r^D,r^E,r^1,r^2,r^3,r^4$ 之后，并不知道每个维度代表什么属性，需要事后分析。
已知姐寺与小唯属于天然呆类型、春日与炮姐属于傲娇类型，所以第一个维度代表天然呆，第二个维度代表傲娇。

Lecture 14: Unsupervised Learning - Word Embedding

Word Embedding是降维的应用。

这里写图片描述
1-of-N Encoding不能体现单词之间的关系（如不能体现cat,dog之间的关系），改进为word class之后，不能体现类之间的关系（如不能体现class 1与class 2之间的关系），所以映射到高维空间。

生成词向量是无监督的，training data是大量文本，机器通过上下文得到词向量。
利用上下文有两类方法：Count-based与Prediction-based

Count-based

这里写图片描述

Prediction-based

用前一个词预测后一个词：
这里写图片描述
用第一个hidden layer的input代表该词的word-embedding
对“蔡英文”“马英九”要让它们在进入hidden layer之前（word-embedding）相近。

用前两个词预测后一个词：
这里写图片描述
要共享参数，否则一个词会有两个词向量，共享参数还可以减少参数数量。
图中的梯度下降时参数更新公式可以保证对应参数一直相等。

Prediction-based的训练与其它结构
这里写图片描述

Word Embedding的特点

这里写图片描述

Multi-domain Embedding

这里写图片描述
image经过NN，得到一个vector（与word vector同维度）。
对training时没出现的类别也可以进行分类！

Lecture 15: Unsupervised Learning - Neighbor Embedding

Manifold Learning

现在要做非线性降维。
数据可能是高维空间中的manifold，即数据其实分布在低维空间，被扭曲到高维空间中（如地球表面）。
在manifold上只有距离很近的点，欧式几何才成立。（12距离比13距离近，所以12像、13不像。14、15距离太大，没法比，不make sense）。
所以manifold learning就是要把S形展开，这样的好处是可以用欧式距离。

Locally Linear Embedding (LLE)

从原来的分布中找一点 $x^i$ ，然后找它的neighbour $x^j$ ，计算它们之间的关系 $w_{ij}$ 。把 $x^i,x^j$ 降维成 $z^i,z^j$ 之后要保证它们之间的 $w_{ij}$ 不变。李老师用白居易《长恨歌》作比，浪漫！
这里写图片描述

LLE没有明确的function做降维。
LLE的好处是，就算不知道 $x^i,x^j$ 只知道 $w_{ij}$ ，也可以用LLE。
要好好调neighbour的个数，刚刚好才会得到好的结果。
点之间的距离关系保持不变需要点之间够近，所以k太大不行，会考虑一些太远的点。

Laplacian Eigenmaps

这里写图片描述

两个红点之间的距离不能用欧氏距离还衡量，要看两点之间有没有高密度区域的链接，可以建立一个图，用图中的距离来表示。
回顾半监督学习：红框里那项与labelled data无关，它利用unlabelled data考虑得到的label是否smooth，作用类似于正则项。
同样的道理可以用在无监督学习。但是最小化S会有问题，因为只要让 $z^i = z^j$ 就好了，这显然不合理。之所以在半监督学习时没有这个问题，是因为半监督学习的损失函数还有一项从标注数据而来，如果让所有标签都相等则那一项会很大。
所以要加一个约束：设z是M维的，则 $z^1,z^2,...,z^N$ 张成 $R^M$ 空间。
这样解出z。z就是graph laplacion $L$ 的eigenvector，对应比较小的eigenvalue。
先找出z再用k-means做聚类，叫Spectral clustering.

T-distributed Stochastic Neighbor Embedding (t-SNE)

前面方法只假设相近的点接近，未假设不相近的点要分开。
t-SNE先分别计算原空间、新空间中所有点对的相似度再归一化。归一化是必要的，为了防止两个空间中距离的scale不同。
然后最小化二者之间的KL距离，代入公式用GD即可。
t-SNE计算量大，可先用PCA降维，再用t-SNE降维。
t-SNE需要一堆data point，然后找到z。如果之后再给一个数据，t-SNE是没法做的，只能再跑一遍。
所以t-SNE主要用于可视化。
t-SNE的神妙之处在于原空间与新空间中相似度计算公式不同。
原空间的计算公式，使得两个点的相似度随距离增加快速下降。
而新空间的计算公式，是长尾的，为了维持相同的相似度，两个点之间要分得更开。对原来距离很近的点，影响很小。而原来离得远的点，会被拉开，强化gap。
比较LLE on MNIST 与 t-SNE on MNIST。后者先做了PCA。
这里写图片描述

李宏毅机器学习课程笔记