回归定义

Regression 就是找到一个函数 function ，通过输入特征 x，输出一个数值 Scalar。

应用举例

一.股市预测（Stock market forecast）

输入：过去10年股票的变动、新闻咨询、公司并购咨询等

输出：预测股市明天的平均值

自动驾驶（Self-driving Car）

输入：无人车上的各个sensor的数据，例如路况、测出的车距等

输出：方向盘的角度

商品推荐（Recommendation）

输入：商品A的特性，商品B的特性

输出：购买商品B的可能性

Pokemon精灵攻击力预测（Combat Power of a pokemon）：

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

step1：模型假设，选择模型框架（线性模型）

step2：模型评估，如何判断众多模型的好坏（损失函数）

step3：模型优化，如何筛选最优的模型（梯度下降）

二、利用回归进行预测

预测宝可梦的CP值

2.1 背景

“CP值”是一只宝可梦的战斗力。你抓到一只宝可梦“妙蛙种子”，给它吃一些糖果以后，它就会进化成“妙蛙草”，此时CP值就变了。

如果能预测一只宝可梦在进化后的CP值，你就可以评估是否需要进化，以充分利用糖果的资源，来进化更多更强的宝可梦。

操作：找一个function，输入为一只宝可梦x 的各种属性值，输出为进化后的CP值y ，如图所示。

一只宝可梦记作 x ，其属性值如下：

标记 解释

x c p x_{cp}xcp 进化前的CP值（14）

x s x_sxs 物种（妙蛙种子）

x h p x_{hp}xhp 生命值（10）

x w x_wxw 重量（11.62kg）

x h x_hxh 身高（0.88m）

2.2 如何解决这个问题呢？

上一节我们知道有三个步骤：

建模：选一个模型（function set）

评估：评价模型中function的好坏

择优：找一个最好的function

详细步骤

2.2.1 找模型（使用一次函数）

先找一个简单的 一次函数：

即进化后的CP值y等于某一个常数项b，加上某一个数值w乘以输入的宝可梦x在进化前的CP值。

w和b是参数，为任意值，取不同的数值就得到不同的function

如下图所示：

f3 显然不太可能是正确的，因为进化后CP值变负数了。 这就需要训练集来告诉我们哪些function才是合理的function。

将无穷多个w i ∗ x ii相加之和再加上b，就得到了一个 线性模型

x i 中抽取出来的各种属性值称作 “特征”（feature），当做function的输入

w i 为权重（weight），b \ 为偏置（bias）

2.2.2 评价映射的好坏

1. 收集训练集

先收集训练集，才能找这个function。这是一个监督学习的模型，需要手动给出输入和输出，本例中，它们都是数值。

举例来说，杰尼龟 能进化成 卡咪龟，用x 1 x^1x1表示杰尼龟的各种特征，用^y 1 y^1y1表示进化后的CP值979：x 1 → y 1 x^1→y^1x1→y1。其中这个979是我们实际观察到的正确数值。

继续上述操作，收集更多的x i → y i x^i→y^ixi→yi。首先我们通过少量数据来进行训练，这里收集了10只宝可梦进化后的CP值，将输入作为横轴，输出作为y轴，标记在图像上：

2. 定义映射的好坏

定义另一个函数，用以评价Model中function的糟糕程度——损失函数 L LL（Loss function）：

输入：一个function

输出：糟糕程度

定义：L ( f ) = L ( w , b ) L(f) = L(w, b)L(f)=L(w,b)，此处使用 最小二乘法

f由w和b决定，因此损失函数实际上是用来衡量一组参数的好坏

用真正的数值减去预测的数值再取平方，就是估测的误差。再将它们相加取和就得到损失函数：

损失函数值越大，即误差越大，function效果越差。

2.2.3 找出最好的映射

根据损失函数的定义可得：找到 使损失函数值最小 的function即为最好的function。可穷举w和b，代入使得损失函数最小，但这个非常消耗时间

，显然不可接受。因此就需要一种方法来较快地寻找 —— 梯度下降法（Gradient Descent）。

梯度下降法

在高等数学中我们学过，梯度就是可微函数 f 在各个方向上求偏导数的向量( f x ′ , f y ′ , f z ′ , . . . ) (f'_x, f'_y, f'_z, ...)(fx′,fy′,fz′,...)，表示某一函数在该点处的方向导数沿着该方向取得最大值。

前提：函数 L ( w ) L(w)L(w) 可微分。

做法：

随机选取一个初始点 w 0 w^0w0

做 L LL 对 w ww 在 w 0 w_0w0 处的微分，即切线的斜率

斜率为负↘，则增大w：w ww 右移 → L ( w ) L(w)L(w) 减小

斜率为正↗，则减小w：w ww 左移 → L ( w ) L(w)L(w) 减小

那么问题来了，参数值如何增加呢，该增加多少呢？

w向右走的步伐大小取决于两个条件：

现在的微分值大小：微分值越大，越陡峭，步伐越大；反之越小。

学习率（Learning rate）η：事先定好的数值，η越大，步伐越大，参数更新的幅度越大，学习的效率更快；反之越小。

注意是减号，微分正，减小w。

重复上述步骤的迭代，直到w移动到 局部最小值。

梯度下降法不能找到全局最小值，但是在 线性回归问题 中并没有局部最小，因为线性回归模型的损失函数是 凸函数（convex），局部极值必为全局极值。

【若函数可二阶导（或二阶可偏导），则可利用二阶导数（或偏导数）大于零证明】

以上是一个参数的问题，现在由一个参数推广到两个参数：

类似地，将b利用w的方法，分别计算出L对w和b的偏导数，反复迭代，求出最小的损失函数。

梯度下降法参数调整在等高线中展示效果如下：

2.3 测试训练结果

可以看到曲线拟合得并不完美，在某些点处有很大的误差，或许拟合曲线并不是一条直线。那么我们还能做的更好吗？当然，可以考虑换个更复杂的模型。

2.3.1 换模型（二次函数）

y = b + w 1 ∗ x c p + w 2 ∗ ( x c p ) 2 y=b + w_1*x_{cp}+w_2*(x_{cp})^2y=b+w1∗xcp+w2∗(xcp)2

可以用上述方法找到一个最好的 function：

b = − 10.3 b = -10.3b=−10.3

w 1 = 1.0 , w 2 = 2.7 × 1 0 − 3 w_1=1.0, w_2=2.7×10^{-3}w1=1.0,w2=2.7×10−3

在训练集上的图像如下：

看起来更加合理了，且平均误差为15.4。那么在测试集上表现如何呢：

平均误差为18.4！有没有可能做得更好呢？

上图分别为三次、四次、五次函数。可以发现，到五次函数的时候已经将训练集拟合得很好了，但是测试集上误差反而更大！这种现象称为 “过拟合”（Overfitting）。

2.3.2 过拟合

如何解释这种现象呢？

如上图所示，次数越高的函数，它的解空间包含了低次数函数的解空间。因此越复杂的模型，它包含越多的函数，理论上就可以找出一个函数使得训练误差越来越低，前提是梯度下降法能真正帮我们找到最好的函数，不能出现局部最优。

但是在测试集上的结果与训练集的结果是不一样的：

在到第三个式子为止，测试集的误差一直在降低；但是越往后走，误差就暴增了！越复杂的模型并不一定得到越好的结果，这就是 过拟合。因此我们需要选择一个合适的模型。

2.4 收集大量数据来训练测试

现在我们收集60只宝可梦，把原来和进化后的CP值作图（如下图所示），会发现右上角几个点被某种“隐藏力量”影响了。这到底是什么呢？答案就是物种。

隐藏因素

我们将不同的物种用不同的颜色表示

只考虑进化前的CP值是远远不够的，还要考虑物种对进化的影响，因此需要重新设计模型：不同的物种就代入不同的线性函数。

但是把 if 放在 function 里面，这样不就不是一个线性模型了吗？后续还能对损失函数进行微分、用梯度下降法吗？

可以把上述式子改写成 一个 线性函数：

通过控制δ函数的值，来控制函数的结构，具体如下：

那么对于更换后的模型，它的结果怎么样呢？

对于不同的物种，线的颜色不一样。当分不同的种类来考虑时，所预测的误差比原来的模型误差更小。

但这里还是有不能拟合得很好的点，还有其他可能的因素影响着模型预测结果。

可以把所有因素加入模型，看看结果如何：

可以看到又是过拟合了。怎么办呢？使用 正则化 （Regularization）

我们重新定义损失函数，加入一些辅助的额外项λ，让我们找到比较好的function。其中，λ项越趋于0越好：

这里不需要考虑 bais 这一项。因为我们要找一个平滑的function，调整b的大小只是将函数图像上下移动而已，和平滑程度并无关系。

当我们加上λ项时，就说这个function是比较 平滑的（smooth） ——当输入有变化时，输出对输入的变化是比较 不敏感 的。

假设模型为一次函数模型，在某一个 x i x_ixi 加上一个 Δ x i \Delta x_iΔxi，即：

y = b + Σ w i x i + Δ x i y = b + {\Sigma}w_ix_i + \Delta x_iy=b+Σwixi+Δxi

这个时候输出的变化：

y → y + w i Δ x i y→y+w_i \Delta x_iy→y+wiΔxi

当w i w_iwi越接近0，输出的变化就越小，也即输出对输入的变化不敏感。

为什么我们喜欢比较平滑的 function ？

假设我们的输入在测试的时候被噪声干扰了，那么一个比较平滑的function就能受到比较小的影响，从而给出一个好的结果。

实验结果

λ值越大，代表考虑平滑项的影响力越大，找到的function就越平滑。

当λ值越大时，在测试集上的误差就越大，因为这时就越倾向于考虑 w ww 的数值，而减小考虑训练的误差。

有趣的是，在训练集上得到的误差越大，在测试集上得到的误差是可能比较小的。我们喜欢平滑的function，但不喜欢太平滑的function。

如何找出function有多平滑呢？

这就需要我们调λ的值来决定平滑程度

如上图，选择λ = 100，在测试集上的误差最小。

总结

宝可梦进化前的CP值和进化后的CP值，以及它是哪个物种是非常有关系的，也可能会有其他的因素

梯度下降法的原理和技巧

过拟合和正则化

我们最后得到测试集的平均误差结果是11.1。但是如果用于其他的数据集来预测，得到的误差会是怎样的？