第3章 线性模型

线性模型(Linear Model)是最基本，最简单的模型，而这个世界是复杂，非线性的，我们可以基于线性模型构造非线性模型(Nonlinear Model)。
$$线性模型\underset{高维映射}{\overset{层级结构}{\to }}非线性模型$$

3.1 基本形式

$$\begin{gathered} f(\mathbf{x})=w_1{x}_1+w_2{x}_2+\dots +w_d{x}_d+b \\ ={\mathbf{w}}^{\mathrm{T}}\mathbf{x}+\mathbf{b} \\ \mathbf{w}和\mathbf{b}\text{确定，模型确定。} \end{gathered}$$

3.2 广义线性模型

$$\begin{gathered} \text{更一般地，考虑单调可微函数}g(\cdot )，令 \\ y=g^{-1}\left({\mathbf{w}}^{\mathrm{T}}\mathbf{x}+b\right) \end{gathered}$$

其中函数$g(\cdot )$称为联系函数。根据不同的$g(\cdot )$，构造不同的非线性模型。

3.3 线性回归

$$f\left(x_i\right)=w{x}_i+b\text{，使得}f\left(x_i\right)\simeq y_i$$

样本由d个属性描述，我们试图获取样本的类别$y_i$，这称为多元线性回归(Multivariate Linear Regression)。

衡量的方法为均方误差(Square Loss)，对应欧氏距离($L_2$范式)。

采用最小二乘法(Least Square Method)，求得$\mathbf{w}和\mathbf{b}$。

$$ hat{boldsymbol{w}}^{*}=left(mathbf{X}^{mathrm{T}} mathbf{X}right)^{-1} mathbf{X}^{mathrm{T}} boldsymbol{y} \ fleft(hat{boldsymbol{x}}_{i}right)=hat{boldsymbol{x}}_{i}^{mathrm{T}}left(mathbf{X}^{mathrm{T}} mathbf{X}right)^{-1} mathbf{X}^{mathrm{T}} boldsymbol{y} $$ 由于$mathbf{X}^{mathrm{T}} mathbf{X}$通常不是满秩矩阵，可解出多个的$hat{boldsymbol{w}}^{*}$，引入**正则化**(Regularization)项，决定**学习算法的归纳偏好**。

3.3.1 对数线性回归

输出标记在指数尺度上变化

$$\begin{gathered} y=\frac{1}{1+e^{-z}}=\frac{1}{1+e^{-\left(w^{\mathrm{T}}x+b\right)}} \\ \ln \frac{y}{1-y}={\mathbf{w}}^{\mathrm{T}}\mathbf{x}+b \end{gathered}$$
若将y视为样本x作为正例的可能性，则1-y是其反例的可能性，而二者比值$\frac{y}{1-y}$称为几率(odds)，取对数则得到对数几率$\ln \frac{y}{1-y}$(log odds，logit)。

将y视为后验概率估计$p(y=1|x)$，再通过极大似然法(Maximum Likelihood Method)
$$\ell (\mathbf{w},b)=\sum _{i=1}^m\ln p\left(y_i|{\mathbf{x}}_i;\mathbf{w},b\right)$$
这是个高阶可导连续凸函数，可以使用经典数值优化算法：梯度下降法(Gradient Descent Method)，牛顿法(Newton Method)等求其最优解。

3.3.2 对数几率回归

3.3.3 线性判别分析

3.4 多分类学习

3.4.1 OvO

3.4.2 OvR

3.4.3 MvM

最常用MvM技术：纠错验证码(Error Correcting Output Codes, EOC)。

3.5 类别不平衡问题

3.6 阅读材料

3.6.1 稀疏表示

3.6.2 代价敏感

3.6.3 多标记学习

最后

以上就是失眠发箍为你收集整理的机器学习（西瓜书） 第3章 线性模型笔记第3章 线性模型的全部内容，希望文章能够帮你解决机器学习（西瓜书） 第3章 线性模型笔记第3章 线性模型所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。