信息检索与数据挖掘 | （十）线性回归与逻辑回归

📚线性回归算法流程

• y=b+w·x

• 使用loss function L来评估函数的好坏
  

• 从而我们要选择使L最小的模型参数w,b

• 使用梯度下降的方法

  

  

• 从而求导得：

  

📚Bias and variance

• error原因——bias（模型偏差）和variance（数据方差）:

• 数学原理：
  • 随机变量x的均值为$\mu$，方差为${\sigma }^2$
  • 随机采样N个点，其均值不等于$\mu$，但是期望等于$\mu$，是无偏的 ，均值的方差是${\sigma }^2/N$
  • N个点的方差记为$s^2$,方差的期望为$(N?1)/N?{\sigma }^2$，不等于${\sigma }^2$
  • 用bias表示整体距离实际值的距离，用variance表示点的分散程度

每次采样一个训练集，训练一个模型，采样100次

• 简单模型：模型直接的variance很小，但是bias可能略大

• 复杂模型：variance很大，但是bias会小

模型会更拟合数据点，各个模型直接的差别很大，所以简单的模型受采样数据的影响更小

• 模型分析：

  • 我们对每个模型f*取均值，看是否接近真实的模型f，如果差得远，则bias大，接近则bias小
  • 大bias小variance可能是欠拟合，而小bias大variance可能是过拟合。
  • 如果数据无法很好的拟合训练集，则会有大bias，欠拟合；如果可以很好拟合训练集，但是在测试集上表现不好，会有大的variance，过拟合。

• 解决方法：

  • 对于大bias欠拟合来说，可以重新选择模型，增加输入特征，或者是使用更复杂的模型，或者进行交叉验证
  • 对于大variance过拟合来说，可以增加数据集的数量，或者是引入正则项
  • 在bias和variance之间存在trade-off，可以选择模型使得total-error最小即可。

📚过拟合&欠拟合

• 欠拟合：
  • 定义：模型无法捕捉数据中的规律和复杂性，表现为训练误差和测试误差都较高。
  • 原因：模型的复杂度不够，无法很好地拟合数据。
  • 解决方法：提高模型复杂度、增加特征数量、增加模型的学习能力等。
• 过拟合：
  • 定义：模型过度拟合了训练数据的噪声和细节，表现为在训练集上表现良好，在测试集上表现较差。
  • 原因：模型复杂度过高，导致模型过度适应训练数据的特征和噪声。
  • 解决方法：降低模型复杂度、增加数据量、采用正则化方法（如L1、L2正则化）等。
• 改进方法：
  • 交叉验证：通过交叉验证来选择合适的模型复杂度，同时避免过拟合和欠拟合。
  • 特征选择：选取对模型预测有用的特征，在避免过多无用特征的情况下，消除噪声的影响。
  • 正则化：通过L1或L2正则化，限制模型参数的大小，防止模型过拟合。
  • 增加数据量：增加数据量可以帮助模型更好地捕捉数据的规律，减少模型的过拟合情况。
  • 集成学习：使用集成学习方法，如bagging、boosting等，可以在一定程度上减小模型的过拟合风险。

---

• 关于交叉验证
  • 交叉验证是一种评估模型性能和泛化能力的统计学方法。它通过反复地将数据集划分为训练集和验证集，在训练集上训练，在验证集上测试，来评估模型的性能。
  • 常见的交叉验证方法包括k折交叉验证、留一交叉验证等。在k折交叉验证中，数据集被随机分成k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致性。然后，进行k次模型训练和测试，每次选择一个子集作为验证集，其余的k-1个子集作为训练集，取结果最好的作为最终模型。
  • 交叉验证的目的是：
    • 评估模型的性能：通过交叉验证，可以更准确地评估模型的性能，而不会受到单次划分数据带来的偶然性影响。
    • 泛化能力：交叉验证可以更好地评估模型的泛化能力，即模型对未见过的数据的适应能力。
    • 另外，对于数据较少的情况下，交叉验证可以最大限度地利用有限的数据，减小因训练集和测试集的划分不同导致评估性能的差异。在模型选择以及调参时也非常有用，可以帮助选择最优模型并提高模型的性能。

📚逻辑回归算法流程

• 分类即输入一个样本，判断其类别，损失函数为：
  

• 使用sigmoid函数，将概率划分到[0,1]之间：
  

• 使用交叉熵损失函数的方法找到最优的w和b，便于求导取-log，乘积变为求和：
  

• 然后将f函数全部代回对w求导找最优解,求导后的结果为：
  

• 求导之后可知f=1，y=1时，f=0，y=0时cross Entropy最小，从而wx->正无穷，y=1，wx->负无穷，y=0

---

• 使用逻辑回归进行多分类的话，sigmoid函数变为：
  

• 所有的y求和为1，y表示第i类的概率，是softmax操作，softmax就是把一些输入映射为0-1之间的实数，并且归一化保证和为1。

• 逻辑回归只能对线性可分的数据有闭式解，对于线性不可分的数据分类能力很差，可以进行特征转化，从原特征映射到新的特征空间，然后在新的特征空间进行分类。

---

??补充博客

• 单变量线性回归
• 多变量线性回归
• 逻辑回归
• 优化算法 | 评估方法