机器学习&深度学习&强化学习笔记整理（二）——最小二乘法

1.最小二乘法

最小二乘法也叫做损失最小化学习法，适用于较小规模数据的学习，有过拟合的弱点。

梯度下降法是适用于大规模数据学习的算法，该方法的收敛速度依赖于梯度下降的步幅及收敛结果的判断方法。

 

2.带有约束条件的最小二乘法

原因：当参数较多时，求解参数及学习得到的函数的输出值的过程耗费大量的时间

优点：省时、防止过拟合

（1）部分空间约束的最小二乘法

只使用参数空间的一部分，保证参数θ不偏移到值域R(P)范围之外，通过正交投影矩阵P实现约束。

如果使用主成分分析法求解该部分空间，则该方法为主成分回归PCA。

约束条件：Pθ=θ

假设只有两个参数，约束后参数空间如下图所示：

问题：P的设置有很大的自由度，实际操作有较大难度。

（2）约束的最小二乘学习法

约束条件：||θ||^2≤R，可以转换为拉格朗日对偶问题求最优解

假设只有两个参数，约束后参数空间如下图所示：

（3）一般约束的最小二乘学习法

与约束的最小二乘学习法相似，将参数的取值空间限制在椭圆形状的区域内。

 

3.稀疏学习

目的：将大部分参数置为0，用于正则化，防止过拟合

 

特征选择：

  向前选择法、向后删除法：逐次试错，不充分考虑最优组合

  随意选择：面临维度灾难问题

  稀疏学习：考虑特征之间的联系，更适合稀疏学习

 

方法：

（1）约束的最小二乘学习法（Lasso回归）

使用L1范数作为约束条件，得到的参数的解位于最标轴上，这样得到的参数有若干个为0，也就达到了稀疏的目的。

如下图所示，黑色圆点为最优解，红色圆点为求得的解

（2）约束的最小二乘学习法

使用Lp范数作为约束条件

当p≤1时，Lp范数在坐标轴呈有峰值的尖形 ==> 存在稀疏解

当p＞1时，Lp范数在坐标轴呈凸形 ==> 不是凸形的话，会存在局部最优解，优化起来很困难

（3）+约束的最小二乘学习法（弹性网回归学习法）

保留约束的尖形用来稀疏，同时保留约束的通用性

 

4.鲁棒学习

鲁棒性：在统计学领域和机器学习领域，对异常值也能保持稳定可靠的性质。

前提：最小二乘学习法容易受到异常值的影响。

方法：

（1）损失最小化学习

原理：使用损失对残差的增幅加以抑制的学习算法，损失受异常值的影响较小

损失 ==> 残差的绝对值之和

缺点：高鲁棒性 ==> 学习效果差一些，训练样本与学习模型不十分吻合。

（2）Huber损失最小化学习（+损失）

原理：使用一个阈值η判断正常值和异常值，正常值的损失函数为损失，异常值的损失函数为损失。

求解方法：反复迭代求解，反复加权最小二乘学习法。

（3）图基(Tukey)损失最小化学习

原理：对Huber方法的改进，Huber方法中，当残差较大时（异常值）学习权重也不会变为0，在Tukey方法中，对与较大残差的学习权重直接设置为0.

优点：有非常高的鲁棒性。

缺点：不是凸函数，存在多个局部最优解，数据的微小变化可能会产生其它最优解。

（4）约束的Huber损失最小化学习

原理：在Huber损失最小化学习的基础上加上约束，提高鲁棒性的同时预防过拟合。