其他分享
首页 > 其他分享> > 感知机回归

感知机回归

作者:互联网

感知机一文中提到了感知机模型在分类问题上的应用,如果,我们需要将其使用于回归问题呢,应该怎样处理呢?

其实只要修改算法的最后一步,
sign(x)={+1,x01,x<0(1.1) sign(x)=\left\{\begin{matrix}+1 &, x\geq 0\\ -1 &, x< 0\end{matrix}\right.\tag{1.1}sign(x)={+1−1​,x≥0,x<0​(1.1)
函数即可。经过sign函数的处理,只可能是两个值,要么1,要么-1,。如果将最后的sign函数改成该函数:
f(x)=x(1.2) f(x)=x\tag{1.2}f(x)=x(1.2)
那么,最后的输出值就是一个实数而不是1或-1中的一个值了,这样就达到了回归的目的。


2. 损失函数

在实际问题中,损失函数是根据不同的问题进行设计的,因此,单单改变了激活函数还不够,还需要改变损失函数,通常情况下,回归问题使用的损失函数为:
e=12(yy^)2(2.1) e=\frac{1}{2}(y-\hat{y})^2\tag{2.1}e=21​(y−y^​)2(2.1)
在公式(2.1)中,y yy表示训练样本里面的标记,也就是实际值;y^ \hat{y}y^​表示模型计算的出来的预测值。e ee叫做单个样本的误差。至于为什么前面要乘1/2 1/21/2,是为了后面计算方便。

根据公式(2.1),在n nn个样本的数据集中,可以将总误差E EE记为:
E=12i=1n(y(i)y^(i))2(2.2) \begin{aligned}E&=\frac{1}{2}\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})^2\end{aligned}\tag{2.2}E​=21​i=1∑n​(y(i)−y^​(i))2​(2.2)
在公式(2.2)中,y(i) y^{(i)}y(i)表示第i ii个样本的真实值,y^(i) \hat{y}^{(i)}y^​(i)表示第i ii个样本的预测值。且
y^(i)=h(x(i))=wTx(i)(2.3) \begin{aligned}\hat{y}^{(i)}&=h(\mathrm{x}^{(i)})\\&=\mathrm{w}^T\mathrm{x^{(i)}}\end{aligned}\tag{2.3}y^​(i)​=h(x(i))=wTx(i)​(2.3)
我们的目的,是训练模型:求取到合适的w \mathrm{w}w,使(2.2)取得最小值。


3. 求参数的方法

3.1 极大似然估计

该方法之前有提到过,大致思路为让损失函数对参数求导并令其为0,求出参数的值。具体的可以参考线性回归模型 ,但该方法仅适用于激活函数为f(x)=x f(x)=xf(x)=x的情况。

3.2 梯度下降算法

该方法是计算机通过强大的计算能力,一步步把极值点“试”出来,大致过程如下:
在这里插入图片描述
还记的感知机学习的步骤吗?主要是解决两个问题:

  1. 往哪走?
  2. 走多远?

首先随机选择一个点x xx,在之后的过程中每次修改该点,经过数次迭代之后最终到达函数的最小值点。根据梯度的性质:梯度的反方向是函数值下降最快的方向,每次沿着梯度相反的方向修改x xx的值,最后是有可能走到极小值附近的。该公式可以表示为:
xnew=xoldηf(x)(3.1) \mathrm{x}_{new}=\mathrm{x}_{old}-\eta\nabla{f(x)}\tag{3.1}xnew​=xold​−η∇f(x)(3.1)
将其应用于我们的目标函数的权值中时,则有
wnew=woldηE(w)(3.2) \begin{aligned}\mathrm{w}_{new}=&\mathrm{w}_{old}-\eta\nabla{E(\mathrm{w})}\\\tag{3.2}\end{aligned}wnew​=​wold​−η∇E(w)​(3.2)
E(w) \nabla{E(\mathrm{w})}∇E(w)则有:
E(w)=wE(w)=w12i=1n(y(i)y^(i))2=12wi=1n(y(i)22y^(i)y(i)+y^(i)2)=12wi=1n(2y^(i)y(i)+y^(i)2)=12i=1n[2y(i)y^(i)w+y^(i)2w]=12i=1n[2y(i)wTx(i)w+2y^(i)wTx(i)w]=12i=1n[2y(i)x(i)+2y^(i)x(i)]=i=1n(y(i)y^(i))x(3.3) \begin{aligned}\nabla{E(\mathrm{w})}&=\frac{\partial}{\partial\mathrm{w}}E(\mathrm{w})\\&=\frac{\partial}{\partial\mathrm{w}}\frac{1}{2}\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})^2\\&=\frac{1}{2}\frac{\partial}{\partial\mathrm{w}}\sum_{i=1}^{n}(y^{(i)2}-2\hat{y}^{(i)}y^{(i)}+\hat{y}^{(i)2})\\&=\frac{1}{2}\frac{\partial}{\partial\mathrm{w}}\sum_{i=1}^{n}(-2\hat{y}^{(i)}y^{(i)}+\hat{y}^{(i)2})\\&=\frac{1}{2}\sum_{i=1}^{n}[-2y^{(i)}\frac{\partial \hat{y}^{(i)}}{\partial\mathrm{w}}+\frac{\partial \hat{y}^{(i)2}}{\partial \mathrm{w}}]\\&=\frac{1}{2}\sum_{i=1}^{n}[-2y^{(i)}\frac{\partial \mathrm{w}^T\mathrm{x^{(i)}}}{\partial\mathrm{w}}+2\hat{y}^{(i)}\frac{\partial \mathrm{w}^T\mathrm{x^{(i)}}}{\partial \mathrm{w}}]\\&=\frac{1}{2}\sum_{i=1}^{n}[-2y^{(i)}\mathrm{x^{(i)}}+2\hat{y}^{(i)}\mathrm{x^{(i)}}]\\&=-\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})\mathrm{x}\tag{3.3}\end{aligned}∇E(w)​=∂w∂​E(w)=∂w∂​21​i=1∑n​(y(i)−y^​(i))2=21​∂w∂​i=1∑n​(y(i)2−2y^​(i)y(i)+y^​(i)2)=21​∂w∂​i=1∑n​(−2y^​(i)y(i)+y^​(i)2)=21​i=1∑n​[−2y(i)∂w∂y^​(i)​+∂w∂y^​(i)2​]=21​i=1∑n​[−2y(i)∂w∂wTx(i)​+2y^​(i)∂w∂wTx(i)​]=21​i=1∑n​[−2y(i)x(i)+2y^​(i)x(i)]=−i=1∑n​(y(i)−y^​(i))x​(3.3)
所以,梯度更新公式为:
wnew=wold+ηi=1n(y(i)y^(i))x(i)(3.4) \mathrm{w}_{new}=\mathrm{w}_{old}+\eta\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})\mathrm{x}^{(i)}\tag{3.4}wnew​=wold​+ηi=1∑n​(y(i)−y^​(i))x(i)(3.4)
若有M+1个特征,(常数项也包括在内),则w,x \mathrm{w},\mathrm{x}w,x是M+1维列向量,所以(3.4)可以写成
[w0w1w2...wm]new=[w0w1w2...wm]old+ηi=1n(y(i)y^(i))[1x1(i)x2(i)...xm(i)] \begin{bmatrix}w_0 \\w_1 \\w_2 \\... \\w_m \\\end{bmatrix}_{new}=\begin{bmatrix}w_0 \\w_1 \\w_2 \\... \\w_m \\\end{bmatrix}_{old}+\eta\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})\begin{bmatrix}1 \\x_1^{(i)} \\x_2^{(i)} \\... \\x_m^{(i)} \\\end{bmatrix}⎣⎢⎢⎢⎢⎡​w0​w1​w2​...wm​​⎦⎥⎥⎥⎥⎤​new​=⎣⎢⎢⎢⎢⎡​w0​w1​w2​...wm​​⎦⎥⎥⎥⎥⎤​old​+ηi=1∑n​(y(i)−y^​(i))⎣⎢⎢⎢⎢⎢⎡​1x1(i)​x2(i)​...xm(i)​​⎦⎥⎥⎥⎥⎥⎤​

4. 与分类器的比较

算法 分类 回归
模型 sign(x)={+1,x01,x<0 sign(x)=\left\{\begin{matrix}+1 &, x\geq 0\\ -1 &, x< 0\end{matrix}\right.sign(x)={+1−1​,x≥0,x<0​ f(x)=x f(x)=xf(x)=x
训练规则 ww+η(yy^)x \mathrm{w}\gets\mathrm{w}+\eta(y-\hat{y})\mathrm{x}w←w+η(y−y^​)x ww+η(yy^)x \mathrm{w}\gets\mathrm{w}+\eta(y-\hat{y})\mathrm{x}w←w+η(y−y^​)x

5. 参考文献

标签:partial,回归,2y,感知机,frac,mathrm,hat,1n
来源: https://www.cnblogs.com/hichens/p/12340797.html