Andrew Ng机器学习课程笔记--week3(逻辑回归&正则化参数)

时间:2022-04-23
本文章向大家介绍Andrew Ng机器学习课程笔记--week3(逻辑回归&正则化参数),主要内容包括一、内容概要、二、重点&难点、2. Logistic Regression Model、2) Simplified Cost Function and Gradient Descent、3)高级优化方法、3. Solving the problem of Overfitting、4) 正则化逻辑回归、基本概念、基础应用、原理机制和需要注意的事项等,并结合实例形式分析了其使用技巧,希望通过本文能帮助到大家理解应用这部分内容。

Logistic Regression

一、内容概要

  • Classification and Representation
    • Classification
    • Hypothesis Representation
    • Decision Boundary
  • Logistic Regression Model
    • 损失函数(cost function)
    • 简化损失函数和梯度下降算法
    • Advanced Optimization(高级优化方法)
  • Solving the problem of Overfitting
    • 什么是过拟合?
    • 正则化损失函数(cost function)
    • 正则化线性回归(Regularized Linear Regression)
    • 正则化逻辑回归(Regularized Logistic Regression)

二、重点&难点

1. Classification and Representation

1) Hypothesis Representation

这里需要使用到sigmoid函数--g(z)

[begin{equation} h_θ(x) = g(θ^Tx) end{equation} ]

[begin{equation} z = θ^Tx end{equation} ]

[begin{equation} g(z) = frac{1}{1+e^{-z}} end{equation} ]

2) Decision Boundary

决策边界:

[h_θ(x) ≥ 0.5 → y=1 ] [h_θ(x) < 0.5 → y=0 ]

等价于

[g(z) ≥ 0.5 → y=1 ] [g(z) < 0.5 → y=0 ]

等价于

[z ≥0 → y=1 ] [z < 0 → y=0 ]

2. Logistic Regression Model

1) 逻辑回归的损失函数

这里之所以再次提到损失函数,是因为线性回归中的损失函数会使得输出呈现起伏,造成许多局部最优值,也就是说线性回归中的cost function在运用到逻辑回归时,将可能不再是凸函数。

逻辑回归的cost function如下:

[J_θ = frac{1}{m} sum {Cost}( h_θ(x^{(i)}, y^{(i)} ) )] [ {Cost}(h_θ(x), y) ) = - log(h_θ(x)) quad quad if quad y=1] [ {Cost}(h_θ(x), y) ) = - log(1 - h_θ(x)) quad if quad y=0]

结合图来理解:

  • y=1

由上图可知,y=1,hθ(x)是预测值, - 当其值为1时,表示预测正确,损失函数为0; - 当其值为0时,表示错的一塌糊涂,需要大大的惩罚,所以损失函数趋近于∞。

  • y=0

上图同理

2) Simplified Cost Function and Gradient Descent

  • 损失函数 cost function

[Cost(h_θ(x), y) = -ylog(h_θ(x)) - (1-y)log(1-h_θ(x))]

[J_θ=-frac{1}{m} sum Cost(h_θ(x), y) ] [quad =-frac{1}{m} sum [-y^{i}log(h_θ(x^{(i)})) - (1-y^i)log(1-h_θ(x^{(i)}))] ]

  • 梯度函数

3)高级优化方法

如图左边显示的是优化方法,其中后三种是更加高级的算法,其优缺点由图邮编所示: 优点

  • 不需要手动选择α
  • 比梯度下降更快

缺点

  • 更加复杂

后面三种方法只需了解即可,老师建议如果你不是专业的数学专家,没必要自己使用这些方法。。。。。。当然了解一下原理也是好的。

3. Solving the problem of Overfitting

1) 过拟合

主要说一下过拟合的解决办法: 1)减少特征数量

  • 手动选择一些需要保留的特征
  • 使用模型选择算法(model selection algorithm) 2)正则化
  • 保留所有特征,但是参数θ的数量级(大小)要减小
  • 当我们有很多特征,而且这些特征对于预测多多少少会由影响,此时正则化怎能起到很大的作用。

2) 正则化损失函数

图示右边很明显是过拟合,因此为了纠正加入了正则化项:1000·θ32,为了使得J(θ)最小化,所以算法会使得θ3趋近于0,θ4也趋近于0。

正则化损失函数表达式:

[J(θ)=frac{1}{2m} [sum_{i=1}^m( h_θ(x^{(i)}) - y^{(i)})^2 + λsum_{j=1}^n θ_j^2]] [min_θ [frac{1}{2m} (sum_{i=1}^m( h_θ(x^{(i)}) - y^{(i)})^2 + λsum_{j=1}^n θ_j^2)]]

3) 正则化线性回归

  • 正则化梯度下降:

[J(θ)=frac{1}{2m} [sum_{i=1}^m( h_θ(x^{(i)}) - y^{(i)})^2 + λsum_{j=1}^n θ_j^2]] [frac{∂J_θ}{∂θ_j} = frac{1}{m} sum_{i=1}^m( h_θ(x^{(i)} ) - y^{(i)} )x_j^{(i)} + frac{λ}{m}θ_j ]

Repeat{

[θ_0 := θ_0 - αfrac{1}{m}sum_{i=1}{m}( h_θ(x^{(i)} ) - y^{(i)} )x_0^{(i)}] [θ_j := θ_j - α[(frac{1}{m}sum_{i=1}{m}( h_θ(x^{(i)} ) - y^{(i)} )x_0^{(i)} ) + frac{λ}{m}θ_j ] quad j∈{1,2,3……n}]

}

  • 正则化正规方程

前面提到过,若m< n,那么XTX是不可逆的,但是加上λ·L后则变为可逆的了。

4) 正则化逻辑回归

[J(θ)=-frac{1}{m} {sum_{i=1}^m[ y^{(i)} log(h_θ(x^{(i)}))+(1-y^{(i)})log(1-h_θ(x^{(i)}))]} + frac{λ}{2m}sum_{j=1}^n θ_j^2]

梯度下降过程