2022-01-04

机器学习

机器学习的思考故事

吴恩达

Machine Learning

Week1

学习算法，模拟人类大脑的学习方式

Machine Learning defined by Arthur Samuel(1959), ability to learn without explictly programmed

E, T, P

Supervised Learning
- 给出现有的结果集(Right Answers for each example)，去推导因果关系
- Regression Problem, 回归问题, 预测的是连续的数据
- Classification Problem, 分类问题，预测的是有限的取值
- Infinite number of features, 无限的特征和属性
UnSupervised Learning
- No labels
- clusters，聚类
工具: octave
鸡尾酒会效应(cocktail-party-effect), 人们可以在嘈杂的环境进行交谈，忽略掉背景噪声而听到对方的谈话。属于图形-背景现象的听觉版本

线性代数算法

Training Set
m: numbers of training examples
x’s = input / features
y’s = output / target variable
$(x, y)$ training example
$(x^{(i)}, y^{(i)})$ case of i, i 为 index
h hypothesis, 假设 $y = h(x)$
linare regression with one variable $h_\theta = \theta_0 + \theta_1 x$
univariate linear regression 单变量线性回归
目标, 找到最小值: $minimize_{\theta_0\theta_1} {1 \over2m} \sum_{i=1}^m(h_\theta(x^{(i)}) - y^{(i)})^2$
Cost Function 定义为 $J(\theta_0, \theta_1) = {1 \over2m} \sum_{i=1}^m(\hat y_i - y^{(i)})^2 = {1 \over2m} \sum_{i=1}^m(h_\theta(x^{(i)}) - y^{(i)})^2$
目标: $minimize_{\theta_0\theta_1} J(\theta_0, \theta_1)$ 为平方差代价函数
目标: $J(\theta_0, \theta_1)$ 导数为 0 的那个 $\theta_1$ 的值

Hypothesis(假设)	Paramemters(参数)	CostFunction	Goal
$h_\theta = \theta_0 + \theta_1 x$	$\theta_0, \theta_1$	$J(\theta_0, \theta_1) = {1 \over2m} \sum_{i=1}^m(h_\theta(x^{(i)}) - y^{(i)})^2$	$minimize_{\theta_0\theta_1} J(\theta_0, \theta_1)$

contour plot, 画图的软件, 见这里和 JS 版本

梯度下降算法 Gradient Descent

每次寻找对应的 $\theta_0, \theta_1$ ，使得下面的值越来越小

$J(\theta_0, \theta_1)$

步骤:

$\text{repeat untile convergence} \\ \\ \theta_j := \theta_j - \alpha \frac{\partial}{\partial \theta_j} {J(\theta_0, \theta_1)},\text{ for (j=0 and j=1)}$

$\alpha$ 为 learning rate，越大代表下降越快。

需要同时更新 $\theta_0, \theta_1$ 的值

$temp0 := \theta_0 - \alpha \frac{\partial}{\partial \theta_0} {J(\theta_0, \theta_1)}$

$temp1 := \theta_1 - \alpha \frac{\partial}{\partial \theta_1} {J(\theta_0, \theta_1)}$

$\theta_0 := temp0$

$\theta_1 := temp1$

gradient-descent

通过斜率的变化，来动态调整参数的值，使得达到收敛(converge)的点, 也就是图中的最低点的位置
偏离 diverge
$\alpha$ 很小，则找到具体的点会比较慢, 过大，则容易错过最优点
根据导数的值的大小，动态地调整 $\alpha$ 的值
convex 凸函数(bowl shaped function)

第一个机器学习的算法

在这之前，需要复习几个求导法则。有助于理解下面的公式计算

假设 $u(x),v(x)$ 均可导, 则
$\begin{align} (u(x) \pm v(x))^{'} &= u^{'}(x) \pm v^{'}(x) \\ (u(x)v(x))^{'} &= u^{'}(x)v(x) + u(x)v^{'}(x) \\ (u(v(x)))^{'} &= u^{'}(x)v(x) \\ ({u(x) \over v(x)})^{'} &= \frac{u^{'}(x)v(x) - u(x)v^{'}(x)}{v^2(x)} \\ (cu(x))^{'} &= cu^{'}(x) \text{, c 为常数} \\ \end{align}$

Hypothesis(假设)	Paramemters(参数)	CostFunction	Goal
$h_\theta = \theta_0 + \theta_1 x$	$\theta_0, \theta_1$	$J(\theta_0, \theta_1) = {1 \over2m} \sum_{i=1}^m(h_\theta(x^{(i)}) - y^{(i)})^2$	$minimize_{\theta_0\theta_1} J(\theta_0, \theta_1)$

对 CostFunction 求导数
$\begin{align} \frac{\partial}{\partial \theta_j} J(\theta) &= {1 \over m} \sum_{i=1}^m((h_\theta(x^{(i)}) - y^{(i)})^{'}(h_\theta(x^{(i)}) - y^{(i)})) \\ &= {1 \over m} \sum_{i=1}^m(h^{'}_\theta(x^{(i)})(h_\theta(x^{(i)}) - y^{(i)})) \\ &= {1 \over m} \sum_{i=1}^m(\theta_0 + \theta_1 x^{(i)})^{'}(h_\theta(x^{(i)}) - y^{(i)})) \\ \end{align}$ $\begin{align} \frac{\partial}{\partial \theta_0} J(\theta) &= {1 \over m} \sum_{i=1}^m(\theta_0 + \theta_1 x^{(i)})^{'}(h_\theta(x^{(i)}) - y^{(i)})) \\ &= {1 \over m} \sum_{i=1}^m(h_\theta(x^{(i)}) - y^{(i)})) \\ &= {1 \over m} \sum_{i=1}^m(\theta_0 + \theta_1 x^{(i)} - y^{(i)})) \end{align}$ $\begin{align} \frac{\partial}{\partial \theta_1} J(\theta) &= {1 \over m} \sum_{i=1}^m(\theta_0 + \theta_1 x^{(i)})^{'}(h_\theta(x^{(i)}) - y^{(i)})) \\ &= {1 \over m} \sum_{i=1}^m(x^{(i)})(\theta_0 + \theta_1 x^{(i)} - y^{(i)})) \end{align}$
将导数部分代入到梯度下降算法中
$\begin{align} \text{repeat untile convergence...} &\{ \\ temp0 &:= \theta_0 - {\alpha \over m} \sum_{i=1}^m(\theta_0 + \theta_1 x^{(i)} - y^{(i)})) \\ temp1 &:= \theta_1 - {\alpha \over m} \sum_{i=1}^m(x^{(i)})(\theta_0 + \theta_1 x^{(i)} - y^{(i)})) \\ \theta_0 &:= temp0 \\ \theta_1 &:= temp1 \\ &\} \end{align} \\$

metrics 和 vectors

下面为一个 2 x 3 的矩阵

$A = \begin{bmatrix} 1 & 2 & 3 \\ 1 & 3 & 5 \\ \end{bmatrix}$

$A_{ij}$ 为第 i 行，第 j 列的值，注意 i，j 都是从 1 开始的

vector: n x 1 的矩阵, 如下为 3维 vector

$A = \begin{bmatrix} 1 \\ 2 \\ 3 \\ \end{bmatrix}$

矩阵的乘法: $A_{m,n} \times x_{n,1} = y_{m,1}\\ A_{m,n} \times B_{n,o} = C_{m,o}$
1-indexed vs 0-indexed vector
大写字母表示矩阵，小写字母表示向量
矩阵运算见这里
scalar 标量，raw number
使用矩阵运算，而不是 for 运算，能够更加简洁，高效地计算。
不满足交换律: $A \times B \neq B \times A$ (not commutative)
满足结合律: $(A \times B) \times C = A \times (B \times C)$ (associative)
单位矩阵，Diagonal or Identity Matrix： $I_{n \times n}$
单位矩阵满足： $A_{m,n} \times I_{n,n} = I_{m,m} \times A_{m,n} = A_{m,n}$
逆矩阵 matrix inverse。 $AA^{-1} = A^{-1}A = I$ 则 $A^{-1}$ 为 A 的逆矩阵 (A为 mxm 矩阵，也就是 square matrix, 方阵)
奇异矩阵 sigular matrix，没有逆矩阵的矩阵
转置矩阵 transpose matrix
$A = \begin{bmatrix} 1 & 2 & 3 \\ 1 & 3 & 5 \\ \end{bmatrix}, A^T = \begin{bmatrix} 1 & 1 \\ 2 & 3 \\ 3 & 5 \\ \end{bmatrix}$
octave 中矩阵的操作可参考这里

Week2

使用 vector 和 matrix 来表示 multi feature hypothesis，多维度的假设函数

$\begin{align}h(\theta) &= \theta_0 + \theta_1 x_1 + \theta_2 x_2 + \cdots + \theta_n x_n \\ &= \theta_0 x_0 + \theta_1 x_1 + \theta_2 x_2 + \cdots + \theta_n x_n \text{ for } x_0 = 1 \\ &= \begin{bmatrix} \theta_0 & \theta_1 & \cdots & \theta_n \end{bmatrix} \times \begin{bmatrix} x_0 \\ x_1 \\ \vdots \\ x_n \end{bmatrix} \\ &= \theta^T \times x \end{align}$

其中 $\theta$ 和 $x$ 均为 vector

使用矢量/矩阵来实现多特征梯度下降 (multi feature gradient descent)

Hypothesis(假设)	Paramemters(参数)	CostFunction	Goal
$\begin{align}y^{(i)} &= \theta_0 x_0^{(i)} + \theta_1 x_1^{(i)} + \cdots + \theta_n x_n^{(i)} \\ &= (x^{(i)})^{T} \times \theta \\ Y &= X \times \theta \end{align}$	$\theta = \begin{bmatrix} \theta_0 \\ \theta_1 \\ \cdots \\ \theta_n \end{bmatrix}$	$J(\theta) = {1 \over2m} \sum_{i=1}^m(h_\theta(x^{(i)}) - y^{(i)})^2$	$minimize_{\theta} J(\theta_0, \theta_1, \cdots, \theta_n)$

Gradient Descent

$\begin{align} \text{repeat } &\{ \\ \theta_j &:= \theta_j - \alpha \frac{\partial}{\partial \theta_j} {J(\theta)},\text{ for } j=0, 1, \cdots, n \\ &:= \theta_j - \alpha \sum_{i=1}^m(x^{(i)}_{j})(h_\theta - y^{(i)})) \\ \} \end{align}$

feature scaling, 将特征值进行缩放，使得图形能够更快地收敛
使得所有的特征的值接近 $-1 \leq x \leq 1$ 的区间，建议是差别不超过三倍
Mean Normalization, 归一化 $x = \frac{ x - \mu }{s}$ , 其中 $\mu$ 为特征 x 的均值, s 为(最大值-最小值) 或者是标准差
特征缩放不需要非常准备
选择 $\alpha$ (Learning rate) 的技巧。变小的幅度小于 $10^{-3}$ 便可停止了
Polynomial Regression 多项式回归, 如 $h_\theta = \theta_0 x_0 + \theta_1 x_1^2 + \cdots + \theta_n x_n^n$
Polynomial Regression 的参数的 scaling 很重要，因为数值会随着 $x^n$ 的 n 指数型增长
模型变量的选择：可以是原始变量的组合。

Normal Equation, 一次性求解出所有的 $\theta$ ，类似于解矩阵方程的思路，下面是结果。参考机器学习笔记03：Normal equation与梯度下降的比较其中 m 为样本数，n 为特征数和复杂度分析

Hypothesis(假设)	features $X_{(m, n+1)}$	Paramemters $\theta$	Normal Equation Answer
$\begin{align}y^{(i)} &= \theta_0 x_0^{(i)} + \theta_1 x_1^{(i)} + \cdots + \theta_n x_n^{(i)} \\ &= (x^{(i)})^{T} \times \theta \\ Y &= X \times \theta \end{align}$	$X = \begin{bmatrix} (x^{(1)})^{T} \\ (x^{(2)})^{T} \\ \cdots \\ (x^{(m)})^{T} \\ \end{bmatrix}$	$\theta = \begin{bmatrix} \theta_0 \\ \theta_1 \\ \cdots \\ \theta_n \end{bmatrix}$	$\theta = (X^TX)^{(-1)}X^TY$

Normal Equation 不需要做 feature scaling，但是在 n 比较大(>10000)的时候比较慢，计算 $(X^TX)^{(-1)}$ 的复杂度为 $O(n^3)$
什么时候矩阵是奇异矩阵，见这里

octave tutorial

a = 1:0.1:2 % 从 1 到 2 以 0.1 为步长
zeros(2, 3) % 2行3列的全是0的矩阵
ones(2, 3) % 2行3列的全是1的矩阵
rand(2, 3) % 2行3列的【0到1之间的】随机数的矩阵
randn(1, 3) % 平均值为0，方差为1的高斯分布的随机矩阵
w = -6 + sqrt(10) * (randn(1, 10000)); hist(w) % 画出直方图(histogram)
eye(10) % 单位矩阵，eye 代表的是 I 的意思
pwd % 当前的路劲 类似还可以用 cd, ls 等
who % 查看当前的作用域 whos
save % 保存矩阵到对应的文件 save new.dat v
C = [3 4;2 2] % 可以省去逗号
1./C % =[1/3 1/4; 1/2 1/2]

plot

% 还可以设置坐标名称，线名称，颜色等等
t = [0:0.01:0.98]
y1 = sin(2 * pi * t)
plot(t, y1)
hold on % 画第二个图
y2 = cos(2 * pi * t)
plot(t, y2)
xlabel("横坐标")
ylabel("纵坐标")
legend("线的定义")
title("图片标题")
print -dpng % 保存文件
close % 关闭

% 定义图一和图二
figure(1); plot(t, y1)
figure(2); plot(t, y2)

% 将图分隔展示
subplot(1,2,1);plot(t, y1)
subplot(1,2,2);plot(t, y2)

% 修改中轴线
axis

vectorization

将数值运算，变成矩阵运算

Week3

分类 classification