线性回归与梯度下降法

前言

最近在看斯坦福的《机器学习》的公开课，这个课程是2009年的，有点老了，不过讲的还是很好的，廓清了一些我以前关于机器学习懵懂的地方。我的一位老师曾经说过:

什么叫理解？理解就是你能把同一个事情用自己的语言表达出来，并且能让别人听得懂。

本着这样的原则，同时也为了证明自己是”理解”的，于是决定打算在学习《机器学习》公开课的时候，写一些系列文章类巩固学到的东西。机器学习中的很多内容都是和数学推导相关的，而我本人的数学功底并不扎实，所以文章也许会写得比较慢。另外，这个系列的文章大体上是按照公开课的课程来的，但也不一定局限于它，因为同时手头还有很多其他的学习资料，学到哪里就写到哪里吧，但我也会尽量保持连贯性1

1之前已经发布了两篇文章，当时还没考虑到要写成系列文章，所以那两篇文章暂时不算做这个系列，以后修改之后也许会加进来。
。

这篇文章的关注点在于 线性回归问题，重点是求解线性回归问题的梯度下降法(Gradient Descent)，之前在学习感知机模型的时候，使用过这个算法，并且还实现了它。可是那只是仅仅停留在使用的层面上，这次是要充分理解梯度下降法的原理及其计算方法。

线性回归问题

从数学上说， 回归问题其实就是函数拟合问题:给定一些点的集合，然后用一个曲线2

2这里的曲线不再局限于二维的，而是高维空间的，甚至有时候会是无穷维的。
或方程去拟合，使得集合中的所有点都大致符合给出的曲线或方程。当拟合的曲线是一条直线的时候，就称为是线性回归问题。

回归问题的意义在于，它使得我们能够在已知数据的基础上对未知数据进行预测:通过对已知数据进行回归分析，得到一个曲线，我们就能够利用这个曲线对未知的数据进行很好的预测。其实，我们在初高中就遇到过这种问题了，只是我们当时被没有意识到这是一个回归问题。

例如给定两个点(x1,y1)，(x2,y2),求过这两个点的直线。当然，现在我们的问题复杂得多，而且不仅仅局限在二维平面，很多时候都是处理高维数据。

举了例子3

3公开课中的例子，详细可以参考公开课的讲义。
，现在我们有如下的数据:

Living area	bedrooms	Price
2104	3	400
1600	3	330
2400	3	369
1416	2	232
3000	4	540

现在的问题是，我给定一个组新的Living area 和 bedrooms数据，你能否预测正确的Price是多少？这里的数据是三维的，但是更多时候是多维的，影响房价的因素还包括很多，如有浴室的数目、有没有壁炉等。这里的输入是Living area和beadrooms，输出则是Price。

在统计机器学习4

4更多的统计机器学习的内容参见这里。事实上，回归问题是统计机器学习的一个分支，属于监督学习(SupervisedLearnig)的范畴。
中，影响输出的因素被称为是特征(features)，输入数据称为训练集(training set)或训练数据(training data)，训练数据的维度称为特征的个数。

因为我们的重点是线性回归问题，所以这里我们简单地假设能够拟合的方程是:

hθ(x)=θ0+θ1x1+θ2x2(1)

这里θi称为参数(也称作是权重)，这里的变量是x1和x2，在我们的例子中分别代表Living
area和bedrooms，hθ(x)就是输出值，这里是就是Price。现在任务很明确，就是根据已知的数据计算出相应的θi参数。整个过程可以用下图表示:



上图是整个统计机器学习的流程，不仅仅局限于回归问题。

为了一般化我们的公式，可以引入一个常量x0=1，这样我们的公式就可以表示为:

hθ(xn×1)=∑i=0nθixi=θTn×1xn×1(2)

注意，这里有几个贯穿全文的约定:

n代表的是特征的个数，也就是输入数据的维度
m代表的是训练数据的数目
x(i)代表第i个训练数据
xi代表第i个特征
因为后面有很多公式都是向量的或矩阵的运算，为了区别开来，我会在所有表示向量或矩阵的变量的下标中注明维度。如果没有下表，则表示一个实数5

5在学习的过程中，经常因为不确定这个变量是个向量还是个实数值，导致很多理解上的错误(是我太笨了吗？

-.-!

)，为了方便其他人的理解，我在这里特意将向量和实数值区别开来。
。

现在我们已经有了一个假设的函数了，那么我们该如何衡量这个函数的好坏呢？这就要引入损失函数(cost function)，这个函数用来衡量我们的预测值和真实值之间的差距。它是这样定义的:

J(θn×1)=12∑i=1m(hθ(x(i)n×1)−y(i))2(3)

这个函数很好理解，它是关于参数θn×1的函数，直观上就是(预测值-真实值)的平方，然后对每一组训练数据进行累加，用这个累加和来衡量我们学习到的函数(2)。这里的12其实并不是必须的，只是为了简化后面的推导而人为的乘上一个系数，这对结果不影响。如果搞过数模的话，就知道，这其实就是最小二乘法的思想。

梯度下降法

现在我们的问题就转化为一个求最小值的问题了:

J(θn×1)=12∑i=1m(hθ(x(i)n×1)−y(i))2minθJθ(4)(5)

如何求解这个问题呢？这里我们就要引入最小梯度法了。还记得当年学高数，在学到梯度的时候，记得老师曾经说过，负梯度方向是函数下降最快的方向。最小梯度法就是利用这个性质。具体的思路是:

对θn×1进行赋值，这个值可以是随机的，但通常都赋值为一个全零的向量。
不停迭代，每次迭代都改变θn×1，使得J(θn×1)按梯度下降的方向进行减少。

上面的比较数学化的说法，其实比较直观的说法是这样的:想象你站在一座高山上，你想要用最短的时间下山，但是你每次只能走一步。那你需要做的就是查看你周围360度的范围，找到一个最陡峭的(下降的最快的)方向，然后转移到那个点上；转移到新的位置之后，重复相应的步骤，环顾360度，找到最陡峭的(下降的最快的)方向，然后转移过去，这样每次都是选择最陡峭的方向走，那么很快就能到达山下了。

这就是梯度下降法的基本思路，其中对陡峭的方向就是负梯度的方向。

为了更加易于理解，给出下图:



我们θn×1按照梯度下降的方向进行调整，就会使得J(θn×1)往更低的方向进行变化，如上图所示，算法的结束将是在θn×1下降到无法继续下降为止。

其中，梯度方向由J(θ)对θ的偏导数确定。用公式来表达就是:

θj=θj−α∂∂θjJ(θn×1)(6)

其中α称为学习率(learning
rate)，直观的意义是，在函数向极小值方向前进时每步所走的步长。太大一般会错过极小值，太小会导致迭代次数过多。

具体的梯度方向是(此处为了方便计算，假设只有一组数据):

∂∂θjJ(θn×1)=∂∂θj12(hθ(xn×1)−y)2=2⋅12(hθ(xn×1)−y)⋅∂∂θj(hθ(xn×1)−y)=(hθ(xn×1)−y)⋅∂∂θj(∑i=0nθixi−y)=(hθ(xn×1)−y)xj

上面式子中的j表示的是第j个特征。从这个推导过程就可以知道，当初我们为什么要在公式前乘上12了。

这样，对于每一组训练数据，每一个特征分量θj的变化是这样的(注意:此时括号中的符号改变了，因为是负梯度的方法向):

θj=θj+α(y(i)−hθ(x(i)n×1))x(i)j(7)

批梯度下降法(bath gradient descent)

在得到上面的公式之后，我们的算法也就形成了:



上述算法中的式子是针对所有的训练数据的，这是从公式7变化而来，只是加入了一个累加的过程，此处不再证明。从公式中可以看到，每次迭代的时候，该算法都会遍历整个训练数据集，这个就被称为批梯度下降法(bath
gradient descent)。需要注意的是，此处的梯度下降法是只能找到局部最优解，而非全局最优解。它有以下两个特点:

得到的结果是局部最优解，这依赖于初始值
每次迭代它的梯度大小都在变化，且越来越趋近于0

随机梯度下降法(stochastic gradient descent)

在利用批梯度下降法(bath gradient descent)进行计算的时候，你会发现，每计算一个参数分量，都需要遍历整个训练数据集，这样做的效率明显不高，因此我们有一个替代的算法：



可以看到，这个算法每次都只利用了一组数据进行计算，这样就大大减少了计算量。这个算法称为随机梯度下降法(stochastic gradient descent)。但是，带来的相应后果就是，它最终得到的解可能是在真正的最小值的附近，而不是最小值本身。因此只有在数据量很大的情况下才会使用这个算法。