Motivation 问题描述
收集到某一地区的房子面积和房价的数据(x, y)42组,对于一套已知面积的房子预测其房价?


由房价数据可视化图可以看出,可以使用一条直线拟合房价。通过这种假设得到的预测值和真实值比较接近。
Model 模型
将现实的问题通过数学模型描述出来。
m 个 样本(example)组成训练集(training set),每一个样本有n个特征(feature)和一个标签(label)。目的是,通过一个数学模型(algorithm)和参数(parameters)将每一个样本和标签映射。这样,给定一个未知的样本就可以通过建立的数学模型预测其标签。
参数 | 解释 |
---|---|
m | 样例数 training set |
n | 特征数 no. of features |
X | (m*(n+1)) |
y | (m*1) |
(Theta) | ((n+1)*1) (X heta=y) |
Hypothesis 假设
假设房价由此方程拟合
[h_ heta(x) = heta_0+ heta_1x]
其中( heta_0)为偏置bias,( heta_1)为因变量的权重weight
Cost function 损失函数
需要一个函数评价拟合函数的预测效果如何。直观的,我们可以计算真实房价和预测房价的差值平方和J,J越小预测效果越好。所以,可以通过最小化J可以求出参数( heta_0)和( heta_1)的值。
[J( heta_0, heta_1)=frac 1 {2m}sum_{i=1}^m(h_ heta(x^{(i)})-y^{(i)})^2]
Gradient descent 梯度下降
这是一个二元函数求极值的问题。可以使用求偏导的方法找出所有极值点,然后代入损失函数求出最小值。一般的做法是采用梯度下降法。梯度下降选择一个系数alpha,和迭代次数。
repeat until convergence {
[ heta_0 := heta_0 - alphafrac 1 {2m}sum_{i=1}^m(h_ heta(x^{(i)})-y^{(i)})]
[ heta_1 := heta_1 - alphafrac 1 {2m}sum_{i=1}^m(h_ heta(x^{(i)})-y^{(i)})cdot{x^{(i)}}]
}
下图是二维梯度下降可视化


通过这种方式可以得出假设的参数。对于已知房子面积的房子就可以使用假设估计房价了。值得一提的是预测的房价不可能是100%准确,但是可以认为是在给定条件下最接近真实房价的值。
注意,梯度下降求的的只是极值点,有可能陷入局部最优,但是对于凸函数,极值点就是最值点,因为极值点只有一个。
LG with multiple variables 多元线性回归
更一般的情况是房价可能由多种因素综合决定,像房子年龄,卧室数目和楼层数。

这时hypothesis变为
[h_ heta = heta_0 + heta_1x_1 + cdots + heta_nx_n]
cost function变为
[J( heta_0, heta_1, cdots , heta_n)=frac 1 {2m}sum_{i=1}^m(h_ heta(x^{(i)})-y^{(i)})^2] gradient descent变为
[ heta_j := heta_j - alphafrac 1 {2m}sum_{i=1}^m(h_ heta(x^{(i)})-y^{(i)})cdot{x^{(i)}_j}]
注意使用feature scaling将不同范围的特征映射到相近的范围。


Polynomial regression多项式回归
更一般的情况是房价和面积是如下图的关系。解决方法转化为多元线性回归。

在这种情况下,一种可能是选择以下特征
[x_1=size,x_2=(size)^2]
hypothesis 为
[h_ heta(x)= heta_0+ heta_1(size)+ heta_2(size)^2]
即为
[h_ heta(x)= heta_0+ heta_1x_1+ heta_2x_2]
通过这种方法就可以转换为多元线性回归问题。
Normal Equation
使用多元函数求极值的方法。只是以向量的方式表示。
当除了使用梯度下降外,还可以使用normal equation求参数。

[X heta=y]
解得
[ heta=(X^TX)^{-1}X^Ty]
注意当features数多于样本数的情况
解决办法增加样本数,减少特征数,使用normalization