博山網(wǎng)站建設(shè)網(wǎng)頁制作基礎(chǔ)教程
目錄
1.多元線性回歸
a.特征縮放
?可行的縮放方式：
1.除以最大值：
?2.mean normalization：
?3.Z-score normalization
b.learning curve:
?c.learning rate:
2.多項式回歸
3.classification
?logistics regression
1.多元線性回歸
其意義很清晰了，多維更準(zhǔn)確。很有意思也是我之前沒關(guān)注的點是，一般下標(biāo)表示分量、上標(biāo)表示不同的inputs、又為了區(qū)分次數(shù)加了括號。
點乘是np.dot
用向量化的函數(shù)而不是分量循環(huán)，可以提高效率。
?
?講真矢量化和parallel真的好酷呀……作為數(shù)學(xué)專業(yè)我理解是從notation的角度，很清晰很明確，但是從算法編程的角度也有其優(yōu)勢、而這樣的優(yōu)勢是由底層代碼包的編寫者、底層（非judge義）工程師實現(xiàn)的。這也算是某種意義下的殊途同歸吧。
a.特征縮放
?以房價為例，相關(guān)因素考慮大小和臥室數(shù)量，可以看到大小數(shù)值非常大，那么調(diào)整w的時候可能會很困難，因為w可能只是變了一點點，wx就變了非常大，因此考慮調(diào)整范圍差不多
?
?可行的縮放方式：
1.除以最大值：
?2.mean normalization：
?3.Z-score normalization
?
霍，還需要多次縮放呢。。。。
b.learning curve:
標(biāo)注了隨著迭代次數(shù)的增加目標(biāo)函數(shù)的變化，（比設(shè)置\epsilon更直觀）?
?c.learning rate:
通常來說，在learning curve里可能出現(xiàn)隨著迭代次數(shù)的增加，loss function震蕩甚至上升，這可能由于 1.BUG 2.學(xué)習(xí)率過大，因此可調(diào)試中嘗試設(shè)置很小的學(xué)習(xí)率，如果正常會下降的。但是，實際學(xué)習(xí)的過程中學(xué)習(xí)率不能太小，這樣效率太低。?
大佬常用方法：先設(shè)置很小的學(xué)習(xí)率跑幾個epoch，，然后3倍3倍增加，保證找到過小（下降很慢）和過大（震蕩或者上升），然后在合適范圍內(nèi)找盡量大的。
?2.多項式回歸
?簡單來說，就是線性不合適啦，我們想自己選選用高次、乘積、開根等不同方法~不贅述
3.classification
?正如以下例子可以看到，擬合有時候很差：本來考慮左側(cè)的四個negative class和positive class，設(shè)置閾值threshold為0.5，效果就很好了，但是當(dāng)我們加入最右的例子，本來是一個一看就是positive sample的例子，但是卻導(dǎo)致預(yù)測結(jié)果出現(xiàn)偏差。因此我們考慮classification。
?logistics regression
可以看出，非常滿足的例子在邏輯斯蒂回歸里盡量不重視，而在中間的樣本更加強調(diào)。怎么強調(diào)呢，也就是說，當(dāng)我們多發(fā)現(xiàn)中部模糊地帶的樣本，對threshold的影響很劇烈、也就是擬合函數(shù)中斜率很大。?
重述一下，我們在線性之外擬合一個邏輯斯蒂回歸來做分類，就是為了防止【本來很明確分類的樣本加進(jìn)去反而會影響算法的輸出結(jié)果】，讓算法更關(guān)注于模糊地帶的樣本。f輸出的可以理解為【樣本特征為x的情況下，分類為1的概率】。
?
?可視化理解，略過?
logistics regression-Cost function:
在線性回歸中 平方誤差很好用（凸的，可以直接到達(dá)全局最優(yōu)），但是邏輯斯蒂回歸模型平方誤差就是非凸了，因此我們考慮換一個cost。
?因此，轉(zhuǎn)而用以下的函數(shù)：
值得注意的是，此處的函數(shù)是分類函數(shù)。那么目標(biāo)函數(shù)轉(zhuǎn)化為：
?利用梯度下降法：
?GD實現(xiàn)，邏輯斯蒂回歸模型與線性回歸函數(shù)不同但是trick類似