斯坦福公开课3：欠拟合与过拟合

欠拟合与过拟合（underfiting、overfiting）

欠拟合（举例：7个样本点用1次项假设拟合房屋价格和面积的关系，损失了2次成分）

过拟合（举例：7个样本点用6次项假设拟合房屋价格和面积的关系）

参数学习算法（parametric learning algorithm）

线性回归

非参数学习算法（non-parametric learning algorithm）

局部加权回归（Locally weighted linear regression、LWR）

由于参数学习算法依赖特征的选择（1次？2次？）

添加了一个wⁱ权重项，值越大，它所对应的对结果的影响越大，反之越小。

该公式与高斯函数相似，但是没有任何关系，只是这个公式在这里很好用。是波长参数，控制了权值随距离的下降速率（成反比）。

所谓参数学习算法它有固定的明确的参数，参数一旦确定，就不会改变了，我们不需要在保留训练集中的训练样本。

而非参数学习算法，每进行一次预测，就需要重新学习一组，是变化的，所以需要一直保留训练样本。

也就是说，当训练集的容量较大时，非参数学习算法需要占用更多的存储空间，计算速度也较慢。

概率解释

为什么使用最小二乘？

假设误差是IID（独立同分布）。

高斯密度函数

这里使用分号是因为参数theta是一个存在的值，不是随机变量，读作“以theta为参数的概率”。这是采用了频率学派的观点，而非贝叶斯学派。

前者是参数的似然性L(theta)，这里看作是theta的概率密度函数；后者是数据的概率，在这里是等价的。

补充：极大似然估计（MLE）

1.选择theta是似然性最大化，或者选择参数是数据出现的概率最大化。

2. 取对数

3. 使对数似然最大化

补充：中心极限定理

Logistic回归

此处可以使用梯度上升算法

θ := θ + α ▼_θl(θ)

Logistic回归参数的学习规则与线性回归有完全相同的形式，前者是梯度上升（基于概率P(y|x;θ)），后者是梯度下降（基于最小二乘）。是完全不同的学习算法。

感知器算法（PLA、Perceptron Learning Algorithm）

感知器算法强迫函数输出为{0,1}的离散值而不是概率。其预测函数为：

参数θ的更新规则为：

规则看起来与logistic回归相同，其实是完全不同的算法，而且更加简单。

代码实践（Logistic回归）

# -*- coding: utf-8 -*-
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
def sigmoid( X , theta ):z = np.dot( X , theta.T )return 1 / ( 1 + np.exp( -z ) )
def LR( X , y , times=400 , alpha=0.01 ):X = np.c_[ (np.ones(len(X)) , X )]theta = np.zeros(len(X[0])).Tfor i in range(times):h = sigmoid(X , theta)theta += alpha * np.dot( ( y - h ).T , X )return theta
def Predict( X , theta ):X = np.c_[ (np.ones(len(X)) , X )]return (sigmoid(X , theta) + 0.5).astype(np.int32)df = np.loadtxt(r'C:\Users\LoveDMR\Desktop\8.iris.data', delimiter=',' , converters = { 4: lambda t : {'Iris-setosa':0,'Iris-versicolor':1,'Iris-virginica':2}[t] } );
df = df[df[:,4] != 2]
X , y = np.split(df,(4,), axis=1)
X =X[:,:2]
y = y[:,0]
# sklearn
model = LogisticRegression()
model.fit(X,y)
print model.intercept_ , model.coef_
# manhand
theta = LR(X , y , 100000 )
print theta
plt.figure(figsize=(14,6))
plt.subplot(121)
N, M = 500, 500     # 横纵各采样多少个值
x1_min, x1_max = X[:, 0].min(), X[:, 0].max()   # 第0列的范围
x2_min, x2_max = X[:, 1].min(), X[:, 1].max()   # 第1列的范围
t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, M)
x1, x2 = np.meshgrid(t1, t2)                    # 生成网格采样点
x_test = np.stack((x1.flat, x2.flat), axis=1)   # 测试点
cm_light = mpl.colors.ListedColormap(['#77E0A0', '#FF8080'])
cm_dark = mpl.colors.ListedColormap(['g', 'r'])
y_hat = Predict(x_test,theta)                  # 预测值
y_hat = y_hat.reshape(x1.shape)                 # 使之与输入的形状相同
plt.pcolormesh(x1, x2, y_hat, cmap=cm_light)     # 预测值的显示
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', s=50, cmap=cm_dark)    # 样本的显示
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title('Manhand')
plt.tight_layout()
plt.grid()
plt.subplot(122)
cm_light = mpl.colors.ListedColormap(['#70F0A0', '#A0A0FF'])
cm_dark = mpl.colors.ListedColormap(['g', 'r'])
y_skhat = model.predict(x_test)                  # 预测值
y_skhat = y_skhat.reshape(x1.shape)                 # 使之与输入的形状相同
plt.pcolormesh(x1, x2, y_skhat , cmap=cm_light)     # 预测值的显示
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', s=50, cmap=cm_dark)    # 样本的显示
plt.xlim(x1_min, x1_max)
plt.ylim(x2_min, x2_max)
plt.title('sk-learn')
plt.tight_layout()
plt.grid()
#plt.savefig('2.png')
plt.show()

转载于:https://www.cnblogs.com/flyfatty/p/6597532.html