李宏毅机器学习（2017full）-Lecture 1: Regression - Case Study

Regression (Case Study) ML01

regression 输出是数值

如：股票预测，自动驾驶（输入是各种sensor，输出方向盘角度），推荐系统

example 预测宝可梦的CP值。

source : http://www.openintro.org/stat/data/?data=pokenman

哈，真的，听课很开心~~）

input（x$x$）：某一只宝可梦 (xs,xhp,xw,xh,xcp$x_s,x_{hp},x_w,x_h,x_{cp}$)

output(xcp$x_{cp}$)：进化之后的CP值

• Step1: Model 成千上万的function组成的function set。

• Step2: Goodness of Function

  通过定义loss function（input：function；output：function的效果）来评估模型好坏。

https://img-blog.csdn.net/20180802210445490?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzE5NjI4MTQ1/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70” alt=”1533195175604” title=”” />)

loss function的画图：

• 每一个点代表一组w,b$w,b$，也就是一个函数
• 越红色 Loss越大。越蓝色，Loss越低，function越好。

• Step3：Best Function

从function set中挑选最好的function

​ * Gradient Descent

假设一个简单的task

1. L(w) 有一个参数的简单Loss Function(可微分)，找到一个w，使得L(w)最小

   1 . 1 随机选择初始点。（存在方法更好的选择初始点）

   1 . 2 计算w对Loss的微分（负值增加w，正值减少w）逐步更新w$w$

（linear regression 没有局部最优。）

2. w，b两个参数的情况

2.1随机选取两个初始值

2.2在w=w0,b=b0$w=w^0,b=b^0$的偏微分，并反复更新w,b$w,b$

可视化2这个过程：（越蓝，loss越小。）

• 随机选取初始值（左下角的红色）

• 计算偏微分，并计算乘上η$\eta$之后的偏微分，进行更新

在linear regression（右图）中Loss Function L 是convex的，是没有局部最优的。因为就是如图只有等高线。

Model Selection

用model 在training data上进行训练，testing data来计算 Average Error

model：1次->2次->3次->4次

model 越复杂，包含越多的function（training data中下图，右侧圆圈的颜色是左侧的式子，橙色的圆包含绿色），可以找到function使得loss在training data上 越低

过拟合

收集更多的数据之后：

观察，跟物种xs$x_s$有关，只考虑cp不对，重新设计

将不同物种的上式if改写成Linear regression：

Average Error ：14.6

考虑CP数值是不是和其他的属性有关系。

不是大木博士怎么办：把所有属性都放进去。

没用的特征太多，很容易overfitting。做regularization

Regularization

Regularization 重新定义Loss Function ，放入knowledge让我们可以找到比较好的Function

• 在原来的loss基础上加上额外的式子。

• 加上之后=>要找到的function的参数越小越好。也就是参数值比较接近0，是比较平滑。即当input有变化时，output的变化是不明显的。

  xi=xi+δxi$x_i=x_i+\delta x_i$,变化是wi(xi+δxi)$w_i(x_i+\delta x_i)$,wi$w_i$越小，变化越小，输出对于输入就不会更加敏感。

  wi$w_i$越小，预测值越接近y$y$

• 红框中没有b$b$，因为不需要调整bias，bias只会上下移动，wi$w_i$会影响平滑

一个比较平滑的Function会受到比较好的影响。对noise不会特别敏感

但是太平滑会产生不好的影响。=>需要调整λ$\lambda$

Conclusion

• 宝可梦：进化后的CP和进化前的CP、物种有关，同时还可能和其他属性有关
• Gradient descent 做法。
• overfitting还让regularization