第三章 线性模型
此系列文章旨在提炼周志华《机器学习》的核心要点,不断完善中…
3.1 基本形式
-
模型内容
线性模型
函数形式
向量形式
非线性模型:在线性模型的基础上引入层级结构或高维映射而得 -
可解释性:w直观表达了各属性在预测中的重要性
3.2 线性回归
-
定义:试图学的一个线性模型以尽可能准确地预测实值输出标记
-
离散属性与序关系
有序属性值:连续化
无序属性值:one-hot化 -
性能度量:均方误差
公式
欧氏距离
最小二乘法:基于均方误差对模型求解的方法(试图找到一条直线,使所有样本到直线上的欧氏距离直和最小)
最小二乘“参数估计” -
多元线性回归
秩矩阵(full-rank matrix)或正走矩阵(positive definite matrix)
归纳偏好决定多个解的选择(常见做法:引入正则化项) -
对数线性回归:令模型预测值逼近u的衍生物
形式上认为线性回归,但实质已是再求输入空间的非线性函数映射
线性回归模型的预测值与真实值标记联系
3.3 对数几率回归(逻辑回归)
-
分类任务
二分类:单位阶跃函数
替代函数:在一定程度上近似单位阶跃函数,单调可微
联系 -
几率
对数几率函数->带入假设->变换
几率是样本为正例和样本为负例的比值
对数几率 -
优点
直接对分类可能性进行建模,无需事先假设数据分布
可得到近似概率预测
对率函数任意阶可导的凸函数,方便求最优解 -
极大似然法
凸优化理论
经典的数值优化算法:梯度下降法、牛顿法
3.4 线性判别分析(LDA)
-
LDA思想
给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离 -
二分类问题上——Fisher判别分析
类内散度矩阵Sw
类间散度矩阵Sb
LDA可从贝叶斯决策理论的角度来阐释
Sb与Sw的广义瑞利商:LDA最大化的目标
LDA可达到的最优分类:当两类数据同先验、满足高斯分布、协方差相等 -
LDA推广到多分类
矩阵的迹
3.5 多分类学习
-
基本思路:拆解法-将多分类任务拆为若干个二分类任务求解
-
最经典的拆分策略
- 一对一(OvO)
- 一对其余(OvR)
- 多对多(MvM)
- 最常用技术:纠错输出码(ECOC):编码矩阵
二元码:指定正类和反类
三元码:指定停用类 - OvO和OvR是MvM的特例
- 最常用技术:纠错输出码(ECOC):编码矩阵
3.6 类别不平衡问题
- 定义:分类任务中不同类别的训练样例数目差别很大的情况
- 处理的基本方法:再平衡/再缩放
- 代价敏感学习的基础
- 解决现实中没有“无偏采样”的做法
欠采样/下采样
过采样/上采样
阈值移动