2021.7.28魔鬼训练报告
数学表达式魔鬼训练
文章目录
- 数学表达式魔鬼训练
- 作业
作业
- 将向量下标为偶数的分量 (x2,x4,…x_2, x_4, \dotsx2,x4,…) 累加, 写出相应表达式.
∑imod2=0xi\sum_{i \mod2 =0} {x_i }imod2=0∑xi - 各出一道累加、累乘、积分表达式的习题, 并给出标准答案.
(1)将100以内的,mod3=0\mod3=0mod3=0的数累加起来
∑1≤i≤100,imod3=0i\sum_{1\leq i \leq100, i \mod3 =0} i1≤i≤100,imod3=0∑i
(2)写出1,2,...,101,2,...,101,2,...,10分之一的积
∏i=1101i\prod_{i = 1}^{10} \frac{1}{i} i=1∏10i1
(3)求以原点为中心,半径为R的圆的面积
∫−R+R2πRdx\int_{-R}^{+R} 2\pi R \mathrm{d}x∫−R+R2πRdx - 你使用过三重累加吗? 描述一下其应用.
∑1≤i≤100∑1≤j≤100∑1≤k≤100(xijk)\sum_{1\leq i\leq100}\sum_{1\leq j\leq100}\sum_{1\leq k\leq100} \left(x_{ijk}\right)∑1≤i≤100∑1≤j≤100∑1≤k≤100(xijk) - 给一个常用的定积分, 将手算结果与程序结果对比.
定积分: ∫12xdx\int_{1}^{2} x \mathrm{d}x∫12xdx
手算:∫12xdx=12x2∣12=32\int_{1}^{2} x \mathrm{d}x = \frac{1}{2}x^2 |_{1}^2=\frac{3}{2}∫12xdx=21x2∣12=23
程序:
from sympy import *
x = symbols(‘x’)
print(integrate(x, (x, 1, 2)))
- 自己写一个小例子来验证最小二乘法.
[αβ]=([1x11x2⋮⋮1xn]T[1x11x2⋮⋮1xn])−1[1x11x2⋮⋮1xn]T[y1y2⋮yn]\left[\begin{array}{c}\alpha \\ \beta\end{array}\right]=\left(\left[\begin{array}{cc}1 & x_{1} \\ 1 & x_{2} \\ \vdots & \vdots \\ 1 & x_{n}\end{array}\right]^{T}\left[\begin{array}{cc}1 & x_{1} \\ 1 & x_{2} \\ \vdots & \vdots \\ 1 & x_{n}\end{array}\right]\right)^{-1}\left[\begin{array}{cc}1 & x_{1}\\ 1 & x_{2}\\ \vdots & \vdots \\ 1 & x_{n}\end{array}\right]^{T}\left[\begin{array}{c}y_{1} \\ y_{2} \\ \vdots \\ y_{n}\end{array}\right][αβ]=⎝⎜⎜⎜⎜⎛⎣⎢⎢⎢⎡11⋮1x1x2⋮xn⎦⎥⎥⎥⎤T⎣⎢⎢⎢⎡11⋮1x1x2⋮xn⎦⎥⎥⎥⎤⎠⎟⎟⎟⎟⎞−1⎣⎢⎢⎢⎡11⋮1x1x2⋮xn⎦⎥⎥⎥⎤T⎣⎢⎢⎢⎡y1y2⋮yn⎦⎥⎥⎥⎤
X=[1,2,3],Y=[2,3,7]\mathbf{X} = [1,2,3],\mathbf{Y} = [2,3,7]X=[1,2,3],Y=[2,3,7]
[αβ]=[2.5−1]\begin{bmatrix} \alpha \\ \beta\end{bmatrix}\quad = \begin{bmatrix} 2.5 \\ -1\end{bmatrix}\quad[αβ]=[2.5−1]
得:y=2.5x−1y=2.5x-1y=2.5x−1
6. 线性回归公式推导
推导过程参考2020年魔鬼训练闵老师授课内容。
损失函数:∑i=1m(xiw−yi)2\sum_{i=1}^{m}\left(\mathbf{x}_{i} \mathbf{w}-y_{i}\right)^{2} i=1∑m(xiw−yi)2
矩阵化表达:∥Xw−Y∥2\|\mathbf{X} \mathbf{w}-\mathbf{Y}\|^{2} ∥Xw−Y∥2
矩阵化展开式:L(X,Y,w)=(Xw−Y)T(Xw−Y)L(\mathbf{X}, \mathbf{Y}, \mathbf{w})=(\mathbf{X} \mathbf{w}-\mathbf{Y})^{\mathrm{T}}(\mathbf{X} \mathbf{w}-\mathbf{Y}) L(X,Y,w)=(Xw−Y)T(Xw−Y)
求解推导:L(X,Y,w)=(Xw−Y)T(Xw−Y)=(wTXT−YT)(Xw−Y)=wTXTXw−wTXTY−YTXw+YTY\begin{aligned} &L(\mathbf{X}, \mathbf{Y}, \mathbf{w}) \\ &=(\mathbf{X} \mathbf{w}-\mathbf{Y})^{\mathrm{T}}(\mathbf{X} \mathbf{w}-\mathbf{Y}) \\ &=\left(\mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}}-\mathbf{Y}^{\mathrm{T}}\right)(\mathbf{X} \mathbf{w}-\mathbf{Y}) \\ &=\mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{X} \mathbf{w}-\mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{Y}-\mathbf{Y}^{\mathrm{T}} \mathbf{X} \mathbf{w}+\mathbf{Y}^{\mathrm{T}} \mathbf{Y} \end{aligned} L(X,Y,w)=(Xw−Y)T(Xw−Y)=(wTXT−YT)(Xw−Y)=wTXTXw−wTXTY−YTXw+YTY
对w\mathbf{w}w求导,让其结果为0。由矩阵求导法则得:∂Aw∂w=A∂wTA∂w=AT∂wTAw∂w=2wTA\begin{aligned} &\frac{\partial A \mathbf{w}}{\partial \mathbf{w}}=A \\ &\frac{\partial \mathbf{w}^{\mathrm{T}} A}{\partial \mathbf{w}}=A^{\mathrm{T}} \\ &\frac{\partial \mathbf{w}^{\mathrm{T}} A \mathbf{w}}{\partial \mathbf{w}}=2 \mathbf{w}^{\mathrm{T}} A \end{aligned} ∂w∂Aw=A∂w∂wTA=AT∂w∂wTAw=2wTA
可知:
∂L(X,Y,w)∂w=∂wTXTXw∂w−∂wTXTY∂w−∂YTXw∂w+∂YTY∂w=2wTXTX−YTX−YTX+0=2wTXTX−2YTX\begin{aligned} &\frac{\partial L(\mathbf{X}, \mathbf{Y}, \mathbf{w})}{\partial \mathbf{w}} \\ &=\frac{\partial \mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{X} \mathbf{w}}{\partial \mathbf{w}}-\frac{\partial \mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{Y}}{\partial \mathbf{w}}-\frac{\partial \mathbf{Y}^{\mathrm{T}} \mathbf{X} \mathbf{w}}{\partial \mathbf{w}}+\frac{\partial \mathbf{Y}^{\mathrm{T}} \mathbf{Y}}{\partial \mathbf{w}} \\ &=2 \mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{X}-\mathbf{Y}^{\mathrm{T}} \mathbf{X}-\mathbf{Y}^{\mathrm{T}} \mathbf{X}+0 \\ &=2 \mathbf{w}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{X}-2 \mathbf{Y}^{\mathrm{T}} \mathbf{X} \end{aligned} ∂w∂L(X,Y,w)=∂w∂wTXTXw−∂w∂wTXTY−∂w∂YTXw+∂w∂YTY=2wTXTX−YTX−YTX+0=2wTXTX−2YTX
由
2w^TXTX−2YTX=02 \hat{\mathbf{w}}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{X}-2 \mathbf{Y}^{\mathrm{T}} \mathbf{X}=0 2w^TXTX−2YTX=0
可得
w^TXTX=YTX\hat{\mathbf{w}}^{\mathrm{T}} \mathbf{X}^{\mathrm{T}} \mathbf{X}=\mathbf{Y}^{\mathrm{T}} \mathbf{X} w^TXTX=YTX
两边转置
XTXw^=XTY\mathbf{X}^{\mathrm{T}} \mathbf{X} \hat{\mathbf{w}}=\mathbf{X}^{\mathrm{T}} \mathbf{Y} XTXw^=XTY
最后
w^=(XTX)−1XTY\hat{\mathbf{w}}=\left(\mathbf{X}^{\mathrm{T}} \mathbf{X}\right)^{-1} \mathbf{X}^{\mathrm{T}} \mathbf{Y} w^=(XTX)−1XTY
7. 自己推导一遍逻辑回归, 并描述这个方法的特点 (不少于 5 条).
损失函数看做概率问题:下式越大越好P(yi∣xi;w)=(σ(xiw))yi(1−σ(xiw))1−yiP\left(y_{i} \mid \mathbf{x}_{i} ; \mathbf{w}\right)=\left(\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right)^{y_{i}}\left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right)^{1-y_{i}} P(yi∣xi;w)=(σ(xiw))yi(1−σ(xiw))1−yi
求似然函数:假设训练样本独立, 且同等重要
为获得全局最优, 将不同样本涉及的概率连乘, 获得似然函数:
L(w)=P(Y∣X;w)=∏i=1mP(yi∣xi;w)=∏i=1m(σ(xiw))yi(1−σ(xiw))1−yi\begin{aligned} L(\mathbf{w}) &=P(\mathbf{Y} \mid \mathbf{X} ; \mathbf{w}) \\ &=\prod_{i=1}^{m} P\left(y_{i} \mid \mathbf{x}_{i} ; \mathbf{w}\right) \\ &=\prod_{i=1}^{m}\left(\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right)^{y_{i}}\left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right)^{1-y_{i}} \end{aligned} L(w)=P(Y∣X;w)=i=1∏mP(yi∣xi;w)=i=1∏m(σ(xiw))yi(1−σ(xiw))1−yi
对数函数具有单调性:
l(w)=logL(w)=log∏i=1mP(yi∣xi;w)=∑i=1myilogσ(xiw)+(1−yi)log(1−σ(xiw))\begin{aligned} l(\mathbf{w}) &=\log L(\mathbf{w}) \\ &=\log \prod_{i=1}^{m} P\left(y_{i} \mid \mathbf{x}_{i} ; \mathbf{w}\right) \\ &=\sum_{i=1}^{m} y_{i} \log \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)+\left(1-y_{i}\right) \log \left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) \end{aligned} l(w)=logL(w)=logi=1∏mP(yi∣xi;w)=i=1∑myilogσ(xiw)+(1−yi)log(1−σ(xiw))
损失函数(平均损失):minw1m∑i=1m−yilogσ(xiw)−(1−yi)log(1−σ(xiw))\min _{\mathbf{w}} \frac{1}{m} \sum_{i=1}^{m}-y_{i} \log \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)-\left(1-y_{i}\right) \log \left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) wminm1i=1∑m−yilogσ(xiw)−(1−yi)log(1−σ(xiw))
优化目标:minw1m∑i=1m−yilogσ(xiw)−(1−yi)log(1−σ(xiw))\min _{\mathbf{w}} \frac{1}{m} \sum_{i=1}^{m}-y_{i} \log \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)-\left(1-y_{i}\right) \log \left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) wminm1i=1∑m−yilogσ(xiw)−(1−yi)log(1−σ(xiw))
梯度下降法,迭代式推导:
由于
l(w)=∑i=1myilogσ(xiw)+(1−yi)log(1−σ(xiw))∂l(w)∂wj=∑i=1m(yiσ(xiw)−1−yi1−σ(xiw))∂σ(xiw)∂wj=∑i=1m(yiσ(xiw)−1−yi1−σ(xiw))σ(xiw)(1−σ(xiw))∂xiw∂wj=∑i=1m(yiσ(xiw)−1−yi1−σ(xiw))σ(xiw)(1−σ(xiw))xij=∑i=1m(yi−σ(xiw))xij\begin{gathered} l(\mathbf{w})=\sum_{i=1}^{m} y_{i} \log \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)+\left(1-y_{i}\right) \log \left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) \\ \frac{\partial l(\mathbf{w})}{\partial w_{j}}=\sum_{i=1}^{m}\left(\frac{y_{i}}{\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}-\frac{1-y_{i}}{1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}\right) \frac{\partial \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}{\partial w_{j}} \\ =\sum_{i=1}^{m}\left(\frac{y_{i}}{\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}-\frac{1-y_{i}}{1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}\right) \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) \frac{\partial \mathbf{x}_{i} \mathbf{w}}{\partial w_{j}} \\ =\sum_{i=1}^{m}\left(\frac{y_{i}}{\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}-\frac{1-y_{i}}{1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)}\right) \sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\left(1-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) x_{i j} \\ \quad=\sum_{i=1}^{m}\left(y_{i}-\sigma\left(\mathbf{x}_{i} \mathbf{w}\right)\right) x_{i j} \end{gathered} l(w)=i=1∑myilogσ(xiw)+(1−yi)log(1−σ(xiw))∂wj∂l(w)=i=1∑m(σ(xiw)yi−1−σ(xiw)1−yi)∂wj∂σ(xiw)=i=1∑m(σ(xiw)yi−1−σ(xiw)1−yi)σ(xiw)(1−σ(xiw))∂wj∂xiw=i=1∑m(σ(xiw)yi−1−σ(xiw)1−yi)σ(xiw)(1−σ(xiw))xij=i=1∑m(yi−σ(xiw))xij
逻辑回归可以自己写例如或者直接调包
调包-sklearn实现
model = LogisticRegression()
model.fit(X, y)
逻辑回归的特点:
(1)由于sigmoid函数作用,预测结果为[0,1]之间的概率
(2)预测结果分为2类
(3)容易理解,可以通过公式进行推导,可解释性强
(4)准确率不高,在机器学习算法中表现一般
(5)模型简单
2021.7.28魔鬼训练报告相关推荐
- 2021爱分析·云计算趋势报告——支撑数字化转型,企业云平台建设进入新阶段
报告编委 报告指导人 李喆 爱分析 合伙人&首席分析师 报告执笔人 郭佳伶 爱分析 分析师 李书娴 爱分析 分析师 外部专家(按姓氏拼音排序) 金霄 新钛云服 合伙人&产品运营中心负责 ...
- Spring Boot安装及使用(2021.10.28)
Spring Boot安装及使用 2021.10.28 1.Spring Boot 简介 1.1 为何选择Spring? 1.2 Spring的功能 1.3 Spring项目的依赖包管理工具(Mave ...
- 毕业生在腾讯、百度、字节跳动就业人数全国高校第一!北京邮电大学2021届毕业生就业质量报告...
原数据来自 北京邮电大学,转载于 博雅数据库 https://xxgk.bupt.edu.cn/info/1102/2579.htm 北京邮电大学,教育部直属,工信部共建,以信息科技为特色,工学门类为 ...
- AI: 2021 年人工智能前沿科技报告02(更新中……)daiding
AI: 2021 年人工智能前沿科技报告02(更新中--) 2021 年对于人工智能技术和产业,依旧是不平凡的一年.随着算力.数据.算法等要素逐渐齐备,先进的算法结构不断涌现,各个研究方向研究成果不断 ...
- 前端面经笔记 2021.8.28
前端面经笔记 2021.8.28 下面哪些执行结果为true() A.'foo' == new function(){ return String('foo'); }; B.'foo' == new ...
- 《2021年全球创新指数报告》发布!
来源:科技日报 作者:操秀英 世界知识产权组织(WIPO)9月20日在日内瓦发布的<2021年全球创新指数报告>显示,中国排名第12位,较2020年上升2位.<报告>高度评价中 ...
- 亚信安全发布2021年挖矿病毒专题报告,聚焦挖矿病毒进化与治理
供稿 | 亚信安全 出品 | CSDN云计算 近日,<亚信安全2021年挖矿病毒专题报告>正式发布(以下简称<报告>).<报告>以2021年亚信安全威胁情报与服务运 ...
- 超 8 成软件存已知高危开源漏洞,奇安信发布《2021 中国软件供应链安全分析报告》
编辑 | 宋 慧 出品 | CSDN云计算 头图 | 付费下载于东方IC 2020年底,SolarWinds 遭受的大规模网络攻击,使得美国和多国政府在内的 18000+ 机构被影响.几乎每个月,软件 ...
- 《2021新青年生长力报告》:水果青年、农货青年、设计青年,哪个最潮?
7月2日,北京师范大学新闻传播学院喻国明学术工作室发布<2021新青年生长力报告>,基于公开数据及拼多多新消费大数据,以31岁及以下(90后.95后.00后)店主为主要研究对象,洞察中国新 ...
- 【报告分享】2021中国移动互联网秋季大报告.pdf(附下载链接)
省时查方案-专业.及时.全面的营销策划方案库 省时查报告-专业.及时.全面的行研报告库 大家好,我是文文(微信号:sscbg2020),今天给大家分享QuestMobile于2021年11月发布的&l ...
最新文章
- 手动部署OpenStack环境(三:OpenStack环境预配置)
- win8安装mysql8_windows安装mysql8详解
- js的数据类型,以及如何判断它们是哪种类型
- P2754 [CTSC1999]家园 / 星际转移问题(网络流)
- JUnit单元测试笔记
- junit4进行单元测试
- 软件工程师面试学习指南
- 瑜伽扭身祈祷式动作教程
- 计算机机房需求调查表,机房建设需求调查表机房建设需求调查表.doc
- cad插件加载bplot成功用不了_AUTOCAD 能加载BatchPlot.VLX批量打印插件但是输入bplot打不开批量打印界面...
- Themal稳态热仿真介绍
- ubuntu安装独显驱动(R7000P RTX2060)
- 个人对于IT开发型技能段位的划分,我只是一个小小铂金,你什么段位了!
- 实时渲染3D动画创作大赛
- 第一届“多模态自然语言处理研讨会”精彩回顾(免费获取PPT)
- 基于51单片机的多层电梯(1-16层)运行系统仿真设计_层数可改
- Statsmodels库----统计建模和计量经济学
- 需要达到什么样的水平才能找到一份看起来不错的互联网实习?
- 国内最全的Android市场,最全Android软件商店
- ExtJS EditorGridPanel 示例之xml格式Store前后台增删改查
热门文章
- xp系统安装ftp服务器,xp系统安装ftp服务器
- 2022焊工(初级)操作证考试题库及答案
- win10 Network Location Awareness 错误:1068依赖服务或组无法启动
- 测试面试/笔试题 大集合
- c# Dll反编译查看原文件
- 声网 X Yalla:面对面不如线上见,中东年轻人最偏爱的语聊房是怎样“炼”成的?
- java计算机毕业设计随心淘网管理系统源代码+数据库+系统+lw文档
- 360浏览器调试html5,360浏览器如何打开调试工具
- 如何激活win10系统?小白们无需到处问东问西了!
- 2022年最新的百度云盘在线倍速播放实践可用