周志华-机器学习-笔记(二)-线性模型
线性模型(linear model)试图学得一个通过属性的线性组合来进行预测的函数。如,给定由d个属性描述的示例,其中是在个属性上的取值,则线性模型为
一般写成向量形式
其中,和学得之后,模型就得以确定。
- 线性模型有很好的可解释性(comprehensibility)。
- 许多功能更为强大的非线性模型(nonlinear model)可在线性模型的基础上通过引入层级结构或高维映射而得。
下面介绍几种经典的线性模型。
线性回归
给定数据集,其中,(是对应的的标签)
线性回归试图学得
在线性回归中,最小二乘法就是试图找到一条直线,使所有样本到直线上的欧氏距离之和最小。求解和使最小化的过程,称为线性回归模型的最小二乘“参数估计”(parameter estimation)
假如输出标尺是在指数尺度上的变化,那将输出标尺的对数作为线性模型逼近的目标,即
这就是“对数线性回归”(log-linear regression)
更一般地,使用单调可微函数,用
这样的模型称为“广义线性模型”(generalized linear model),函数称为“联系函数“(link function)。对数线性回归是广义线性模型在时的一个特例。
对数几率回归
广义线性模型在做分类任务时,只需找一个单调可微函数将分类任务的真实标记与线性回归模型的预测值联系起来。
考虑二分类任务时,输出标记为,而线性回归模型产生的预测值是实值,所以要将实值转换为值,最理想的是”单位阶跃函数“(unit-step function)。(若预测值为临界值0时则可以任意判别)。
但问题是单位阶跃函数是不连续的函数,因此不能直接用作。故有没有理想的替代函数,既有单位阶跃函数的特点,同时是单调可微的呢?对数几率函数(logistic function)就是这样一个常用的替代函数:
如下图:
对数几率函数可以将值转化为一个接近0或1的值,并在附近变化很陡,将代数几率函数作为代入广义线性模型,有
该式可变化为
若将视为为正例的可能性,则是其反例的可能性,两者的比值称为”几率“(pdds),反映了为正例的相对可能性,对几率取对数则得到”对数几率“(log odds):
实际上是用线性回归模型的预测结果去逼近真实标记的对数几率,其对应模型称为”对数几率回归“(logistic regression)
至于如何确定和的值,在这里暂时不做讨论。
线性判别分析
性别判别分析(Linear Discriminant Analysis)简称LDA,是一种经典的线性学习方法,它的思想很简单:给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离;在对新样本进行分类时,将其投影到同样的这条直线上,再根据投影点的位置来确定新样本的类别。
令给定的数据集。
令分别代表第类示例的集合、均值向量、协方差矩阵。
则两类样本在直线上的投影分别为和。
两类样本的协方差分别为和。
由于直线是一维空间(于直线本身考虑,直线就是一维),因此、、和均为实数。
要使同类样例的投影点尽可能接近,可以让同类样例的投影点的协方差尽可能小,及尽可能小;要使异类样例的投影点尽可能远离,可以让类中心之间的距离尽可能大,即尽可能大。同时考虑两者,则得到最大化目标:
此处定义两个概念:
“类内散度矩阵”(within-class scatter matrix):
“类间散度矩阵”(between-class scatter matrix):
则公式(3.32)可以重写为
这就是LDA欲最大化的目标,即与的“广义瑞利商”(generalized Rayleigh quotient)。
确定的方法:(这里不是太懂,后续更新)
注意到公式(3.35)的分子和分母都是关于的二次项,分子分母会将的长度约去,因此公式(3.35)的解与长度无关,只与其方向有关。不失一般性,令,则(3.35)等价于
多分类学习
在很多情况下,我们会利用二分类学习器来解决多分类问题。不失一般性,考虑个类别,多分类学习的基本思路是“拆解法”,即将多分类任务拆为若干个二分类任务求解。
最经典的拆分策略有三种:“一对一”(One vs. One,简称OvO)、“一对其余”(One vs. Rest,简称OvR)和“多对多”(Many vs. Many,简称MvM)。
给定数据集D
。
当使用OvO拆分时,将这个类别两两配对,从而产生个二分类任务。在训练阶段,OvO将为区分和训练成一个分类器,该分类器把中的类样例作为正例,类样例作为反例。在测试阶段,新样本将同时提交给所有分类器,于是得到个分类结果,最终把预测的最多的类别作为最终分类结果。
当使用OvR拆分时,在训练阶段,将一个类的样例作为正例,所有其它类的样例作为反例来训练个分类器。在测试阶段,新样本将同时提交给所有分类器,若仅有一个分类器预测为正类、则对应的类别标记作为最终分类结果;若有多个分类器预测为正类,则通常考虑各分类器的预测置信程度,选择置信度最大的类别标记作为分类结果。
对比OvO和OvR可以看出,OvR只需训练个分类器,而OvO需训练个分类器,因此,OvO的存储开销和测试时间开销通常比OvR更大。但在训练时,OvR的每个分类器均使用全部的训练样例,OvO的每个分类器仅使用两个类的样例,因此,在类别很多时,OvO的训练时间开销通常比OvR小。但预测性能在多数情况下两者差不多。
MvM是每次将若干个类作为正类,若干个其它类作为反类。它的正反类构造必须有特殊的设计,不能随便选取。
“纠错输出码”(Error Correcting Output Codes,简称ECOC)是一种最常用的MvM技术。其工作工程主要分为两步:
编码:对个类别做次划分,形成一个二分类训练集,这样产生个训练集,可训练出个分类器。
解码:个分类器分别对测试演变进行预测,这些预测标记组成一个编码。将这个预测标记与每个类别各自的编码进行比较,返回其中距离最小的类别作为最终预测结果。
类别划分通过“编码矩阵”(coding matrix)指定,常见有二元码(只有正类和反类)和三元码(正类反类和停用类)。在测试阶段,ECOC编码对分类器的错误有一定的容忍和修正能力。下图是一个示意图:
上图(a)的若取海明距离(在信息编码中,两个合法代码对应位上编码不同的位数称为码距,又称海明距离)最小,又或者取欧氏距离最小的预测结果是。
类别不平衡问题
类别不平衡(class-imbalance)就是指分类任务中不同类别的训练样例数目差别很大的情况。在使用OvR、MvM策略后产生的二分类任务仍可能出现类别不平衡现象。不失一般性,我们假设正类样例较少,反类样例较多。
从线性分类器的角度讨论,在用对新样本进行分类时,通常将预测出来的y值与阀值比较,例如当时判别为正例,否则反例。故:
当训练集中正、反例的数目不同时,令表示正例数目,表示反例数目,则观察几率。由于我们通常假设训练集是真实样本总体的无偏差采样,因此观察几率就代表了真实几率。当分类器的预测几率高于观察几率时,为正例的可能性大。于是:
但分类器做决策时是根据式(3.46),因此需要让
在实际中,“训练集是真实样本总体的无偏采样”这个假设往往不成立,所以我们未必能有效地基于训练集观测几率来推断真实几率。现有技术大体上的三类做法:
欠采样(undersampling):去除一部分反例,使得正例与反例数目接近。
过采样(oversampling):增加一些正例,使得正例与反例数目接近。
阀值移动(threshold-moving):将式(3.48)嵌入到其决策过程中。