机器学习总结（算法）：回归、分类、正则化、模型优化、生成学习

在本文中，我们深入了解传统机器学习（ML）算法，包括回归、分类、核、高斯过程、贝叶斯线性回归、SVM、聚类和决策树，还包括成本函数，正则化，MLE, MAP，拉普拉斯近似和受限玻尔兹曼机，我们也将快速了解像LSTM这样的深度网络。

回归

线性回归

线性回归模型y = f（x），线性向量为w。

添加偏差

标准化

在许多机器学习（ml）算法或回归中，我们假设输入已经被预处理和标准化。

残差平方和加权平方和

为了训练一个线性回归机器学习模型，我们最小化了一个成本函数。一个常见的目标函数是rss（残差平方和）。相应的回归称为最小二乘线性回归。

用多项式回归变换基

为了增加模型的复杂性，我们可以添加或更改输入的基。在下面的示例中，添加了多项式基（polynomial bases）。

如果没有这种变换，如果它们的边界是非线性的，则很难将两类数据分开。但是，增加的x 12和x 2 2分量将低维空间中的非线性决策边界变换为高维空间中的线性边界。理论上，低维中的任何边界形状都可以转换为更高维度的线性边界。转换后，我们可以将数据分类为具有线性代数的组。

线性回归的一般形式是

其中g可以是任意函数，包括非线性、对数等。通常认为线性回归只对线性函数建模是错误的。通过扩展输入的基，y = f(x)中的函数f可以是复杂的非线性的。

在机器学习（ML）中，特征工程师应用领域知识来构造类似于输入和预测之间关系的g。但是，它很难，我们很容易做过头。为了纠正这个问题，我们可以应用L1惩罚。L1成本有利于w的稀疏性，这允许训练在进行预测时选择较少的基向量。当包含太多多输入特征并且机器学习模型很以容易过度拟合时，则可以缓解这个问题。

Gram矩阵

线性回归的一般解可以用下面的Gram矩阵计算

基于参数和非基于参数

对于线性回归y =wᵀx，我们使用训练数据拟合模型以找到w。这种类型的模型称为基于参数的模型。该函数是预先定义的，我们的任务是找到最适合数据的模型参数θ。对于非基于参数的模型，我们对函数没有假设，我们让数据来模拟函数本身。

接下来，我们将研究一个名为Kernel的非基于参数的模型。

Kernel

在此之前，我们将线性回归推广为y =wᵀg（x）。随着核方法的概念，我们进一步拓展思路，探讨x与其它训练数据点X ⁽ⁱ⁾的关系。这允许我们基于训练数据而不是预定义的函数来构建函数。

这里，我们不是从wᵀx进行预测，而是计算x和训练数据点xᵢ之间的相似度k。然后，我们将它与相应的模型参数wᵢ相乘。我们汇总了所有数据点的结果以进行预测。直观地，我们计算训练数据标签的加权平均值。如果数据相似，我们就用较大的权重;如果数据不同，我们就用较小的权重。例如，在预测您多年受教育的薪水时，我们会对具有相同教育年限的数据使用更高的权重，然后我们从训练数据工资中计算加权平均值。

核的一般定义是：

通常，它将xᵢ和xⱼ映射到高维空间并计算其内积以探索相似性。但实际上，我们可以将方程式简化为一种简单测量两个数据点相似性的形式。例如，我们可以使用下面的高斯分布。

径向基函数（RBF - 高斯核）

RBF对核函数使用高斯函数。我们形成一个新的basis z为输入,其中zᵢⱼ测量训练数据点i和j之间的相似性。然后我们使用训练数据来使用像MSE这样的目标函数拟合模型参数w。

核函数是对称的，矩阵是正半定的。

为了进行新的预测，我们使用核函数将x转换为矩阵。

直观地,RBF计算输入到每个训练数据点的距离，并将其乘以相应的权重wᵢ 进行预测。我们根据相似度计算输出的加权平均值。

分类

回归分类

我们可以应用贝叶斯定理来检查输入x是否应属于类y = 0或类y = 1。例如，如果标签y应为1，我们希望p（y = 1 | x）> p（y = 0 | x）。或者，我们可以用等式xᵀw+ b计算线性回归值。如果符号为负，则y属于1.如下所示，如果p（x | y）是高斯分布的，则贝叶斯定理等效于线性回归。

但是，当我们希望我们的预测为-1或1时，xᵀw是无界的。成本函数的选择在这里必须要小心。如下所示，使用xᵀw作为输入的最小平方成本函数可以在成本函数中添加惩罚，即使它正确地预测x的类而没有歧义。

要解决此问题，我们可以使用逻辑回归或切换到其他成本函数，如hinge损失或逻辑损失。

逻辑回归

在做出决定之前，我们可以将xᵀw的结果应用于逻辑函数（也称为sigmoid函数）。这会将无界xᵀw挤压在0和1之间。

如下图所示，logistic函数与对数比值（logits）有关。事实上，我们可以从Logit导出Logistic函数。在这个例子中，我们将使用xᵀw来计算logistic函数的得分。但是可以使用其他的评分方法，包括深度网络代替线性回归方法。

贝叶斯分类器

贝叶斯分类器应用贝叶斯定理将x分类为最佳y值，该值为下面的RHS项提供最高值。

成本函数与正则化

均方误差（MSE）

MSE很受欢迎，因为它易于使用平滑差分进行计算。但它容易受到离群值的影响，我们会不成比例地惩罚大误差。如果我们有嘈杂的噪声数据，我们会过多地关注将这些数据，我们应该首先忽略它们。线性回归的MSE成本函数是

相应的优化解析解（正规方程）是

具有L2正则化的MSE称为岭回归。相应的最优解是

以下是使用最小均方误差（LMS）的梯度下降

L0，L1，Huber Loss或正则化

Huber损失将低误差范围内的L2损失与高误差范围内的L1损失相结合。

L1和L2正则化比较

L2具有更平滑的梯度，因此训练更稳定。但是L1也很受欢迎，因为它促进了稀疏性。如下图所示，添加L1正则化后的最优点倾向于参数为0。

如果L1正则化与最小二乘误差一起使用，则线性回归称为Lasso回归。虽然选择取决于具体的数据和问题领域，L2正则化似乎更受欢迎，但可以自由尝试两者。

凸性

让我们考虑以下通用的p-norm成本函数。我们应该如何在不同情景下优化目标函数？

• 如果我们没有任何正则化（λ = 0），如果XᵀX是可逆的，则可以优化解析解。
• 如果p = 2，则保证有解析解。
• 对于p≥1但不等于2，我们可以使用迭代方法来找到全局最优。
• 当p<1时，目标函数不为凸函数。与其他选择相比，全局最优是没有保证的。我们只能用数值方法求得局部最优解。

交叉熵

在机器学习（ML）中，我们希望我们的预测与ground truth相匹配，其中P是ground truth，Q是模型预测。对于分类，P（xᵢ）= 1表示ground truth标签i，否则P（xⱼ）= 0。因此，交叉熵是H（P，Q）= -log Q（xᵢ）。

Softmax函数

对于多类分类，我们可以在计算交叉熵之前将softmax函数应用于计算得分。在线性回归中，ground truth类的得分等于xᵀw。

KL散度

KL-divergence测量两个数据分布之间的差异。P是ground truth，Q是模型预测的分布。

注意：KL-Divergence不是对称的，它总是大于或等于0。

Jensen-Shannon散度

Jensen-Shannon散度是对称的。

逻辑损失

它根据逻辑函数来度量损失。我们可以将逻辑函数应用于输出，并使用交叉熵损失或直接使用逻辑损失，而不需要将输出传递给逻辑函数。

Hinge损失

只有当预测错误或太接近决策边界时，Hinge损失才会对分类错误进行惩罚。Hinge损耗用于SVM。

小结

模型优化

最大似然估计（MLE）

MLE找到最大化观测数据xᵢ的可能性的模型参数。

负对数似然（NLL）

MLE有一个很长的乘法链，很容易出现递减或爆炸的问题。为了解决这个问题，我们在目标函数上取对数函数。由于“对数”是单调函数，因此最大化MLE与最小化负对数似然（NLL）相同。

在优化目标时，只要模型参数是不变的，就可以加(减)或乘(除)值。我们也可以加上一个单调函数。最优解保持不变。

如下所示，NLL也与优化交叉熵相同

如果p（y |θ）可以通过zero-centered独立高斯分布建模，我们可以证明最大化MLE等同于最小化MSE。

综上所述，高斯分布的指数函数的平方部分导致了MLE与最小二乘优化相同的原因。

线性回归的MLE

假设w是线性回归模型yᵢ = Xᵢᵀwᵢ + εᵢ的ground truth权重，其中εᵢ 为zero-centered高斯分布的噪声，方差等于σᵢ²。

由于噪声是高斯分布的，我们可以将y建模为

在采集数据样本后，可以使用MLE训练W。我们想问的下一个问题是，用这种方法，我们的期望值和w的方差是多少。

如前所述，使用mle目标估计的w是无偏的。然而，如果σ²（XᵀX）-1较大，则方差较大，即我们将得到具有不同训练数据集的非常不同的模型。总之，估计的w值对测量数据中的噪声很敏感。这是一个很好的例子，即使您的估计是无偏的，如果我们的估计模型具有高方差，则该机器学习模型也不好。

每一个矩阵X都可以用SVD来分解

上面的计算表明（XᵀX）-1与S²的倒数成正比。 S是对角矩阵，对角元素包含X的奇异值。因此，如果一些奇异值很小，则方差σ²（XᵀX）-1很高。因此，通过评估X的奇异值，我们可以理解训练模型的方差。

当X中的列高度相关时，会发生小的奇异值

当信息高度相关时，训练后的模型容易受到方差的影响，容易被过度拟合。

为了解决这个问题，我们可以添加L2正则化（岭回归）来约束模型参数。这种正则化在数值上稳定了逆。没有它，即使X的微小变化也会导致w * 发生很大变化。

使用岭回归训练的w是

当Sᵢᵢ非常小时，λ就有用了，S⁻¹中的单个元素将具有一定的上限。 否则，它将是无限大的并且放大数据的轻微变化并导致w的很大变化。

下面的公式比较了用岭回归和最小二乘法训练的w的差异。

λ再次限制了ridge回归与最小二乘解的距离。 ridge回归的期望值和方差是

MLE是无偏的，但它可能有很高的方差。岭回归有偏，但方差较低。因为我们总是可以调整λ，所以我们可以使用岭回归调整对数据分布敏感的解。

可选步骤中的优化

在许多情况下，我们需要将机器学习问题分解为两个可选步骤的迭代，一个步骤优化一个子集参数，另一个步骤优化其余参数。EM算法就是一个例子。在这些问题中，我们不能同时优化这两组参数（或者它太难或非常不稳定）。这两组参数之间往往存在相互依赖关系，不能同时计算它们的导数。由于这种相互依赖，我们一次优化一个（参数θ1或θ2）（同时固定另一个）。

在每个步骤中，成本下降，解将收敛到局部或全局最优。然而，对于非凸目标函数，我们不太可能达到全局最优，但在实践中，许多问题仍然产生了良好的结果。

该算法利用了成本的单调降低。在一定精度内，θ₁和θ₂的空间尺寸有限，我们不能永远地降低成本，因此，解会收敛。

最大后验（MAP）

在此以前，我们将MSE用作训练模型的成本函数。 MAP可用于优化模型。 它可以用来证明其他目标函数，如MSE。 在MLE中，我们找到了p（yθ，x）中最高值的θ。 在MAP中，我们优化θ以最大化p（θ| y，x）。

除了向相反方向逼近条件概率外，还有一个重要的区别。MLE用观测值的最佳似然找到θ的点估计。MAP使用bayes定理计算θ的所有值的概率分布。

为了计算p（θ| y，x），我们应用贝叶斯定理

如果我们假设模型参数θ为zero centered，并且p（θ）和p（y |θ）都是高斯分布的，我们可以证明MAP到达的目的与使用L2作为成本函数并加入L2正则化相同。

简而言之，我们先前认为θ是高斯分布的。结合由高斯模型模拟的y（观测）的似然性，我们得到了与岭回归相同的目标。

牛顿优化方法

我们可以迭代地应用牛顿方法来定位最低成本。

这是梯度下降法的一种替代方法，它只使用一阶导数。利用f (f”)的曲率，牛顿法更精确。然而，它的计算量很大，不值得在许多问题上花费精力。然而，对于曲率较大的目标函数，这是非常有用的。为了解决复杂性问题，需要进行某种近似以使其具有可扩展性。

泰勒级数

利用泰勒级数，我们可以展开并近似一个函数f。在下面的例子中，我们把f展开到二阶。

通过微分上面的ε等式，最小化f的最佳 step ε*等于

纳什均衡

在博弈论中，纳什均衡是指在非合作环境下，在考虑了对手的所有可能策略后，没有任何一方会改变其策略。双方都对对方怀有敌意，他们没有办法传达自己的行动。考虑一下彼得和玛丽可能在监狱服刑的时间，看看他们是如何认罪的。

双方都保持坦白（Quiet）是有道理的，因为这是最低的入狱时间。为了在不合作的环境下达到纳什均衡，如果双方都保持抵赖（confess）并获得6个月的监禁，而不是1个月的监禁。

生成学习VS判别学习

在深度学习（DL）中，我们设计一个深度网络来从数据x预测标签y，生成学习为给定的y建立一个模型，由朴素贝叶斯分类器可以看出，对p(x|y)建模比p(y, x)更容易

在生成学习中，我们可以应用贝叶斯定理从p（x | y）模型预测p（y | x）。

一般来说，生成学习是对p（x）的研究。通过这种数据分布，我们可以采样（或生成）数据。在GAN中，我们创建了一个生成器，通过对噪声z进行采样来创建x。它模型为p（x | z）。在高斯混合模型中，我们使用高斯分布的混合来模拟p（x）。