李宏毅2017机器学习课程 回归
李宏毅2017机器学习课程 P3 回归 Regression
- 下文不区分w和ω(
文章目录
- 李宏毅2017机器学习课程 P3 回归 Regression
- 回归定义
- 举例:Pokemon精灵攻击力预测(Combat Power of a Pokemon)
- 模型步骤
- Step1:模型假设-线性模型
- 一元线性模型(单个特征)
- 多元线性模型(多个特征)
- Step2:模型评估-损失函数
- 收集和查看训练数据
- 如何判断众多模型的好坏
- Step 3:最佳模型 - 梯度下降
- 解决单个参数
- 解决两个参数
- 梯度下降推演最优模型的过程
- 梯度下降算法在现实世界中面临的挑战
- w和b偏微分的计算方法
- 如何验证训练好的模型的好坏
- 更强大复杂的模型:1元N次线性模型
- 考虑更复杂的模型,过拟合问题出现
- 步骤优化
- Step1优化:2个input的四个线性模型是合并到一个线性模型中
- Step2优化:如果希望模型更强大表现更好(更多参数,更多input)
- Step3优化:加入正则化(regularization)
- 总结
回归定义
- 找到一个函数function,通过输入特征x,输出一个数值scalar
举例:Pokemon精灵攻击力预测(Combat Power of a Pokemon)
李宏毅老师真是太有趣了哈哈哈哈
输入:进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)
输出:进化后的CP值
模型步骤
- 模型假设,选择模型框架(线性模型)
- 模型评估,如何判断众多模型的好坏(损失函数)
- 模型优化,如何筛选最优的模型(梯度下降)
Step1:模型假设-线性模型
一元线性模型(单个特征)
以一个特征 x c p x_{cp} xcp为例,线性模型假设 y = b + w ⋅ x c p y = b + w·x_{cp} y=b+w⋅xcp ,所以 ω \omega ω 和 b b b 可以猜测很多模型,比如
f 1 : y = 10.0 + 9.0 ⋅ x c p f 2 : y = 9.8 + 9.2 ⋅ x c p f 3 : y = − 0.8 − 1.2 ⋅ x c p ⋅ ⋅ ⋅ f_1: y = 10.0 + 9.0·x_{cp} \\ f_2: y = 9.8 + 9.2·x_{cp} \\ f_3: y = - 0.8 - 1.2·x_{cp} \ ··· f1:y=10.0+9.0⋅xcpf2:y=9.8+9.2⋅xcpf3:y=−0.8−1.2⋅xcp ⋅⋅⋅
虽然可以做出很多假设,但在这个例子中,显然 f 3 : y = − 0.8 − 1.2 ⋅ x c p f_3: y = - 0.8 - 1.2·x_{cp} f3:y=−0.8−1.2⋅xcp 的假设是不合理的,不能进化后CP值是个负值吧~~
多元线性模型(多个特征)
在实际应用中,输入特征肯定不止 x c p x_{cp} xcp 这一个。例如,进化前的CP值、物种(Bulbasaur)、血量(HP)、重量(Weight)、高度(Height)等,特征会有很多
所以我们假设 线性模型 Linear model: y = b + ∑ w i x i y = b + \sum w_ix_i y=b+∑wixi
x i x_i xi:就是各种特征(fetrure) x c p , x h p , x w , x h , ⋅ ⋅ ⋅ x_{cp},x_{hp},x_w,x_h,··· xcp,xhp,xw,xh,⋅⋅⋅
ω i \omega_i ωi:各个特征的权重 ω c p , ω h p , ω w , ω h , ⋅ ⋅ ⋅ \omega_{cp},\omega_{hp},\omega_w,\omega_h,··· ωcp,ωhp,ωw,ωh,⋅⋅⋅
b b b:偏移量
注意:接下来的内容需要看清楚是【单个特征】还是【多个特征】的示例
Step2:模型评估-损失函数
【单个特征】: $x_{cp} $
收集和查看训练数据
这里定义 x 1 x^1 x1 是进化前的CP值, y ^ 1 \hat{y}^1 y^1 进化后的CP值, ^ \hat{} ^ 所代表的是真实值
将10组原始数据在二维图中展示,图中的每一个点 $(x_{cp}n,\hat{y}n) $ 对应着进化前的CP值 和 进化后的CP值
如何判断众多模型的好坏
有了这些真实的数据,那我们怎么衡量模型的好坏呢?从数学的角度来讲,我们使用距离。求【进化后的CP值】与【模型预测的CP值】差,来判定模型的好坏。也就是使用损失函数(Loss function) 来衡量模型的好坏,统计10组原始数据 $\left ( \hat{y}^n - f(x_{cp}^n) \right )^2 $ 的和,和越小模型越好。如下图所示:
L ( f ) = ∑ n = 1 10 ( y ^ n − f ( x c p n ) ) 2 , 将 [ f ( x ) = y ] , [ y = b + w ⋅ x c p ] 代 入 = ∑ n = 1 10 ( y ^ n − ( b + w ⋅ x c p ) ) 2 \begin{aligned} L(f)&=\sum\limits_{n=1}^{10} (\hat{y}^n-f(x_{cp}^n))^2,将[f(x)=y],[y=b+w·x_{cp}]代入 \\&=\sum\limits_{n=1}^{10}(\hat{y}^n-(b+w·x_{cp}))^2\end{aligned} L(f)=n=1∑10(y^n−f(xcpn))2,将[f(x)=y],[y=b+w⋅xcp]代入=n=1∑10(y^n−(b+w⋅xcp))2
最终定义 损失函数 Loss function:
L ( w , b ) = ∑ n = 1 10 ( y ^ n − ( b + w ⋅ x c p ) ) 2 L(w,b)= \sum_{n=1}^{10}\left ( \hat{y}^n - (b + w·x_{cp}) \right )^2 L(w,b)=n=1∑10(y^n−(b+w⋅xcp))2
- 图中每一个点代表着一个模型对应的 w w w 和 b b b
Step 3:最佳模型 - 梯度下降
- 目标:筛选最优模型(参数 ω , b \omega,b ω,b)
对上图的解释:
已知损失函数是
L ( w , b ) = ∑ n = 1 10 ( y ^ n − ( b + w ⋅ x c p ) ) 2 L(w,b) = \sum_{n=1}^{10}\left ( \hat{y}^n - (b + w·x_{cp}) \right )^2 L(w,b)=n=1∑10(y^n−(b+w⋅xcp))2
需要找到一个令结果 L ( f ) L(f) L(f)最小的 f f f,记作 f ∗ f^* f∗,或者说使得结果最小的 w w w和 b b b,记作 w ∗ , b ∗ w^*,b^* w∗,b∗
解决单个参数
如何筛选:梯度下降
学习率 :移动的步长,如图中 η \eta η
先随机选取一个初始点 ω 0 {\omega}^0 ω0
计算 d L d w ∣ w = w 0 \dfrac{dL}{dw}|_{w=w^0} dwdL∣w=w0
更新 ω \omega ω,前面是要乘以一个- η η η
- 当前斜率大于0,减少w的值
- 斜率小于0,增加w的值
根据学习率移动
重复2和3
步骤1中,我们随机选取一个 w 0 w^0 w0,如上图所示,我们有可能会找到当前的最小值(局部最优),并不是全局的最小值,这里我们保留这个疑问,后面解决。
loss function L is convex(凸函数)
解决两个参数
- 解释完单个模型参数 ω \omega ω,引入2个模型参数 ω \omega ω 和 b b b , 其实过程是类似的,需要做的是偏微分,过程如下图
- 引入算子
梯度下降推演最优模型的过程
每一条线围成的圈就是等高线,代表损失函数的值,颜色约深的区域代表的损失函数越小
想到了高中电场学的等势线,电场线方向是电势降低最快的方向, 电场强度是电势的负梯度
把上面那个轨迹看成电荷挺好玩的,它在寻求低势
红色的箭头代表等高线的法线方向
梯度下降算法在现实世界中面临的挑战
我们通过梯度下降gradient descent不断更新损失函数的结果,这个结果会越来越小,那这种方法找到的结果是否都是正确的呢?前面提到的当前最优问题外,还有没有其他存在的问题呢?
其实还会有其他的问题:
问题1:当前最优(Stuck at local minima)
问题2:等于0(Stuck at saddle point)
问题3:趋近于0(Very slow at the plateau)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TKEOmi3n-1669429689091)(https://cdn.jsdelivr.net/gh/xin007-kong/picture_new/img/20221126101632.png)]
注意:其实在线性模型里面都是一个碗的形状(山谷形状),梯度下降基本上都能找到最优点(不会stuck at local minima),但是再其他更复杂的模型里面,就会遇到 问题2 和 问题3 了
w和b偏微分的计算方法
如何验证训练好的模型的好坏
- 使用训练集和测试集的平均误差来验证模型的好坏 我们使用将10组原始数据,训练集求得平均误差为31.9,如图所示:
- 然后再使用10组Pokemons测试模型,测试集求得平均误差为35.0 如图所示:
此时,模型还需要优化,需要一个更复杂的model
更强大复杂的模型:1元N次线性模型
在模型上,我们还可以进一步优化,选择更复杂的模型,使用1元2次方程举例,还是根据training data,利用gradient descent,求出best function
求出best function之后,来验证模型的好坏,发现训练集求得平均误差为15.4,测试集的平均误差为18.4
- leeml notes
李宏毅2017机器学习课程 回归相关推荐
- 台大李宏毅2017机器学习国语课程(更新)
台大李宏毅2017机器学习国语课程(更新) 本博客转载自:新浪微博爱可可-爱生活 [台大李宏毅2017机器学习国语课程(更新)]"Machine Learning (Hung-yi Lee, ...
- 李宏毅2020机器学习课程笔记(二)
相关专题: 李宏毅2020机器学习资料汇总 李宏毅2020机器学习课程笔记(一) 文章目录 4. CNN Convolutional Neural Network(P17) 5. GNN Graph ...
- 李宏毅2020机器学习课程笔记(一)
文章目录 1. 课程简介 Course Introduction(P1) Rule of ML 2020(P2) 2. Regression Case Study (P3) Basic concept ...
- 李宏毅的机器学习课程!
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale学习 组织方:百度技术团队,内容:机器学习 人工智能学习该从哪里开始呢?人工智 ...
- 李宏毅机器学习课程--回归(Regression)
近期在学习李宏毅老师的机器学习视频(https://www.bilibili.com/video/av10590361/?p=4),下面写一下自己的心得体会. 李老师用的是精灵宝可梦做的比喻,假设进化 ...
- 最受欢迎中文机器学习课程,台大李宏毅老师公开课2019版上线!
点击我爱计算机视觉标星,更快获取CVML新技术 本文经机器之心授权转载,禁二次转载. 机器之心编辑 参与:思源.泽南 台大教授李宏毅的机器学习课程经常被认为是中文开放课程中的首选.李教授的授课风格风趣 ...
- 李宏毅老师机器学习选择题解析
机器学习选择题解析加整理 项目说明,本项目是李宏毅老师在飞桨授权课程的配套问题 课程 传送门 该项目AiStudio项目 传送门 仅供学习参考! 三岁出品必是精品! 整理内容源于李宏毅老师机器学习课程 ...
- 李宏毅机器学习课程4~~~分类:概率生成模型
分类问题用回归来解决? 当有右图所示的点时,这些点会大幅改变分类线的位置.这时候就会导致整体的回归结果变差.当把多分类当成回归问题,类别分别为1,2,3,4--,因为回归的问题是预测具体的值,这样定义 ...
- 李宏毅2021春季机器学习课程视频笔记1:Introduction, Colab PyTorch Tutorials, HW1
诸神缄默不语-个人CSDN博文目录 李宏毅2021春季机器学习课程视频笔记集合 VX号"PolarisRisingWar"可直接搜索添加作者好友讨论. 更新日志: 2021.11. ...
最新文章
- centos7下selinux永久关闭
- Android Google 服务框架相关问题
- R语言scale_colour_brewer()函数和scale_fill_brewer()函数调色板及填充ggplot2图像实战
- 浅谈Windows Phone 7的体系结构 - [WP开发文档翻译系列]
- Python学习 第2天 IDE开发工具
- JSP简单练习-EL获取表单数据
- 系统中常用操作基类(SSH项目中)非常非常经典的部分
- 安卓TTS语音合成经验分享(科大讯飞语音+)集成
- BAT 数据披露:缺人!110万AI人才缺口,两者矛盾,凉凉了!
- python判断字母大写_python判断字符串是字母 数字 大小写(转载)
- [Poi2000]公共串 hustoj2797
- Redfish 的版本怎么看
- 金融×科技,成就大未来!
- WinSCP显示隐藏文件
- symbian android,Symbian^3对比
- 如何辨别BGP带宽的真假?
- busybox制作的rootfs,启动脚本修改定制
- 乘风领航、耀世创新——DEFI平台Lizard打造数字金融新世界
- xxx uses VFP register arguments xxx does not
- 黑苹果成功引导到安装界面,USB鼠标无法使用的解决办法
热门文章
- 关于可能的OPPO HR面
- 2021年清远高考成绩查询,2021年清远高考状元是谁分数多少分,历年清远高考状元名单...
- 笔记本整机性能测试软件,整机性能测试_笔记本评测-中关村在线
- 内存不兼容,升级BIOS
- 2021年,整理的iOS高频面试题及答案(总会有你需要的)
- 数字信号处理5——CFAR算法及matlab实现
- JavaSE常识类英语
- 北航计算机学院上机试题,北航计算机系考研复试上机真题及答.pdf
- 96.android 简单的更新APP、下载安装APK(四种方式)
- 痞子衡嵌入式:嵌入式里通用微秒(microseconds)计时函数框架设计与实现
- 台大李宏毅2017机器学习国语课程(更新)