matlab实现机器学习算法-回归分析
matlab机器学习算法-回归分析一、回归问题一、回归问题回归问题是指研究某一因变量 y 与另一组变量(x1,x2,…,xm)之间的关系统计分析方法,在机器学习中,x
一、回归问题
回归问题是指研究某一因变量 y 与另一组变量(x1,x2,…,xk)之间的关系统计分析方法,在机器学习中,x 通常也被称为特征变量,特征变量的好坏对最终模型的准确性有较大的影响。
二、模型定义
f
θ
(
θ
0
,
θ
1
,
.
.
.
,
θ
k
)
=
θ
0
x
0
+
θ
1
x
1
+
.
.
.
+
θ
k
x
k
f_{\theta}(\theta_0,\theta_1,...,\theta_k)=\theta_0x_0+\theta_1x_1+...+\theta_kx_k
fθ(θ0,θ1,...,θk)=θ0x0+θ1x1+...+θkxk
其中x0恒为1,用来表示模型中的常数项
三、代价函数
代价函数也被称为损失函数,通常被用作学习过程中的优化准则,回归问题就是通过拟合一系列参数从而使得代价函数的最小化,对于回归问题,代价函数通常被定义为拟合值与真实值之间的方差,即
J
(
θ
0
,
θ
1
,
.
.
.
,
θ
k
)
=
1
n
∑
i
=
1
n
[
f
θ
(
x
0
(
i
)
,
x
1
(
i
)
,
.
.
.
,
x
k
(
i
)
)
−
y
(
i
)
]
2
J(\theta_0,\theta_1,...,\theta_k)=\frac{1}{n}\sum_{i=1}^{n} [f_{\theta}(x_0^{(i)},x_1^{(i)},...,x_k^{(i)})-y^{(i)}]^2
J(θ0,θ1,...,θk)=n1i=1∑n[fθ(x0(i),x1(i),...,xk(i))−y(i)]2
其中 i 为样本序号,n表示样本总量,θ为拟合参数。
机器学习过程即是通过一定的算法调节参数θ,从而使得代价函数达到最小值,此时可以得到最优模型。
四、梯度下降方法实现线性回归
1、梯度下降法原理
梯度下降法在机器学习中应用非常广泛,是一种求解函数最小值的算法。其基本过程与下山类似,如图
我们有一个可微分的函数,目标就是找到这个函数的最小值,最快的方式就是找到当前位置最陡峭的方向,然后沿着此方向向下走,对应到函数中,就是找到给定点的梯度 ,然后朝着梯度相反的方向,就能让函数值下降的最快!因为梯度的方向就是函数变化最快的方向,然后重复利用这个方法,反复求取梯度,最后就能到达局部的最小值,这就类似于我们下山的过程。而求函数梯度就确定了最陡峭的方向。
2、模型求解
-
模型求解的关键是利用梯度下降方法求解代价函数的最低值,代价函数的梯度函数为
∂ J θ ∂ θ t = 2 n ∑ i = 1 n x t [ f θ ( x 0 ( i ) , x 1 ( i ) , . . . , x k ( i ) ) − y ( i ) ] \frac{\partial J_{\theta}}{\partial \theta_t}=\frac{2}{n}\sum_{i=1}^n x_t[f_\theta(x_0^{(i)},x_1^{(i)},...,x_k^{(i)})-y^{(i)}] ∂θt∂Jθ=n2i=1∑nxt[fθ(x0(i),x1(i),...,xk(i))−y(i)] -
使用环境:MATLAB R2019a
-
代码
%% 多元线性回归
clc;
close all;
clear;
a = 0.01; %%定义学习率,描述梯度下降快慢
N = 500; %%定义样本总数
cvg = 1e-10; %%定义收敛标准
dim = 4; %%定义样本特征变量维度
x0 = (ones(1,N))';
x_ = rand(N,dim);
X = [x0,x_];
y = X*[7.8;10.4;3.9;-4.3;2.2] + (0.8*randn(1,N))';
theta0 = 10*rand(dim+1,1);
diff_theta = ones(dim+1,1);
cvg_theta = cvg*ones(dim+1,1);
while not(isequal((diff_theta > cvg_theta),zeros(dim+1,1)))
for i = 1:(dim+1)
theta_n(i,1) = theta0(i,1) - a/N*X(:,i)'*(X*theta0-y);
end
diff_theta = abs(theta_n - theta0);
theta0 = theta_n;
end
%% 画图
figure();
for i = 1:dim
subplot(dim,1,i);
hold on;
scatter(X(:,i+1),y,2.0);
t=0:1e-4:1;
plot(t,t*theta_n(i+1,1)+theta_n(1,1),'r');
title(sprintf("x%d --- y",i+1));
end
- 最终计算得到的图像如图:
五、正规方程法
1、原理
用正规方程法求解模型参数时,依据的是线代的相关知识,无序设置学习率,无序迭代,秩序对初始数据作简单处理,即可以得到结果,依据的公式是:
θ
=
(
X
T
X
)
−
1
X
T
y
\theta = (X^TX)^{-1}X^Ty
θ=(XTX)−1XTy
其中:
X
=
(
1
x
1
(
1
)
⋯
x
k
(
1
)
1
x
1
(
2
)
⋯
x
k
(
2
)
⋮
⋮
⋯
⋮
1
x
1
(
n
)
⋯
x
k
(
n
)
)
X= \begin{pmatrix} 1 & x^{(1)}_1 & \cdots & x^{(1)}_k\\ 1 & x^{(2)}_1 & \cdots & x^{(2)}_k\\ \vdots & \vdots & \cdots & \vdots\\ 1 & x^{(n)}_1 & \cdots & x^{(n)}_k\\ \end{pmatrix}
X=⎝⎜⎜⎜⎜⎛11⋮1x1(1)x1(2)⋮x1(n)⋯⋯⋯⋯xk(1)xk(2)⋮xk(n)⎠⎟⎟⎟⎟⎞
y = ( y ( 1 ) y ( 2 ) ⋮ y ( n ) ) y= \begin{pmatrix} y^{(1)} \\ y^{(2)} \\ \vdots \\ y^{(n)} \\ \end{pmatrix} y=⎝⎜⎜⎜⎛y(1)y(2)⋮y(n)⎠⎟⎟⎟⎞
θ = ( θ 0 θ 1 ⋮ θ k ) \theta = \begin{pmatrix} \theta_0 \\ \theta_1 \\ \vdots \\ \theta_k \\ \end{pmatrix} θ=⎝⎜⎜⎜⎛θ0θ1⋮θk⎠⎟⎟⎟⎞
2、matlab实现:
%% 多元线性回归
clc;
close all;
clear;
N = 500; %%定义样本总数
dim = 4; %%定义样本特征变量维度
x0 = (ones(1,N))';
x_ = rand(N,dim);
X = [x0,x_];
y = X*[7.8;10.4;3.9;-4.3;2.2] + (0.8*randn(1,N))';
theta = pinv(X'*X)*X'*y;
figure();
for i = 1:dim
subplot(dim,1,i);
hold on;
scatter(X(:,i+1),y,2.0);
t=0:1e-4:1;
plot(t,t*theta(i+1,1)+theta(1,1),'r');
title(sprintf("x%d --- y",i+1));
end
运行结果:
更多推荐
所有评论(0)