線性回歸屬于監督學習，因此方法和監督學習應該是一樣的，先給定一個訓練集，根據這個訓練集學習出一個線性函數，然后測試這個函數訓練的好不好(即此函數是否足夠擬合訓練集數據)，挑選出最好的函數(cost function最小)即可。

單變量線性回歸：

a) 因為是線性回歸，所以學習到的函數為線性函數，即直線函數；

b) 因為是單變量，因此只有一個x。

我們能夠給出單變量線性回歸的模型：

我們常稱x為feature，h(x)為hypothesis。

上面介紹的方法中，我們肯定有一個疑問，怎樣能夠看出線性函數擬合的好不好呢？

所以此處，我們需要使用到Cost Function(代價函數)，代價函數越小，說明線性回歸也越好(和訓練集合擬合的越好)，當然最小就是0，即完全擬合。

舉個實際的例子：

我們想要根據房子的大小，預測房子的價格，給定如下數據集：

根據上面的數據集，畫出如下所示的圖：

我們需要根據這些點擬合出一條直線，使得Cost Function最小。雖然現在我們還不知道Cost Function內部到底是什么樣的，但是我們的目標是：給定輸入向量x，輸出向量y，theta向量，輸出Cost值。

Cost Function：

Cost Function的用途：對假設的函數進行評價，Cost Function越小的函數，說明對訓練數據擬合的越好。

下圖詳細說明了當Cost Function為黑盒的時候，Cost Function的作用：

但是我們肯定想知道Cost Function的內部結構是什么？因此我們給出下面的公式：

其中：

表示向量x中的第i個元素；

表示向量y中的第i個元素；

表示已知的假設函數；m表示訓練集的數量。

如果theta0一直為0，則theta1與J的函數為：

如果theta0和theta1都不固定，則theta0、theta1、J的函數為：

當然我們也能夠用二維的圖來表示，即等高線圖：

注意如果是線性回歸，則cost function一定是碗狀的，即只有一個最小點。

Gradient Descent(梯度下降)：

但是又一個問題引出來了，雖然給定一個函數，我們能夠根據cost function知道這個函數擬合的好不好，但是畢竟函數有這么多，總不能一個一個試吧？

于是我們引出了梯度下降：能夠找出cost function函數的最小值。（當然解決問題的方法有很多，梯度下降只是其中一個，還有一種方法叫Normal Equation）。

梯度下降的原理：將函數比作一座山，我們站在某個山坡上，往四周看，從哪個方向向下走一小步，能夠下降的最快。

方法：

a) 先確定向下一步的步伐大小，我們稱為learning rate；

b) 任意給定一個初始值：和；

c) 確定一個向下的方向，并向下走預定的步伐，并更新和；

d) 當下降的高度小于某個定義的值，則停止下降。

算法：

特點：

a)初始點不同，獲得的最小值也不同，因此梯度下降求得的只是局部最小值；

b)越接近最小值，下降速度越慢。

問題1：如果和初始值就在local minimum的位置，則、會如何變化？

答案：因為、已經在local minimum位置，所以derivative肯定是0，因此、不會改變。

問題2：如果取到一個正確的值，則cost function應該會越來越小。那么，怎么取值？

答案：隨時觀察值，如果cost function變小了，則OK；反之，則再取一個更小的值。

下圖就詳細說明了梯度下降的過程：

從上圖中可以看出：初始點不同，獲得的最小值也不同，因此，梯度下降求得的只是局部最小值。

注意：下降的步伐大小非常重要，因為，如果太小，則找到函數最小值的速度就很慢；如果太大，則可能會出現overshoot the minimum現象。

下圖就是overshoot現象：

如果Learning Rate取值后發現J function增長了，則需要減小Learning Rate的值。

Integrating with Gradient Descent & Linear Regression：

梯度下降能夠求出一個函數的最小值。

線性回歸需要求得最小的Cost Function。

因此我們能夠對Cost Function運用梯度下降，即將梯度下降和線性回歸進行整合，如下圖所示：

梯度下降是通過不停的迭代，而我們比較關注迭代的次數，因為這關系到梯度下降的執行速度，為了減少迭代次數，因此引入了Feature Scaling。

Feature Scaling:

此種方法應用于梯度下降，為了加快梯度下降的執行速度。

思想：將各個feature的值標準化，使得取值范圍大致都在-1<=x<=1之間。

常用的方法是Mean Normalization，即，或者[X-mean(X)]/std(X)。

練習題

我們想要通過期中考試成績預測期末考試成績，我們希望得到的方程為：

給定以下訓練集：

我們想對(midterm exam)^2進行feature scaling，則經過feature scaling后的值為多少？

解答：其中max = 8836，min = 4761，mean = 6675.5，則 = (4761 - 6675.5)/(8836 - 4761) = -0.47 。

多變量線性回歸

前面我們只介紹了單變量的線性回歸，即只有一個輸入變量，現實世界可不只是這么簡單，因此此處我們要介紹多變量的線性回歸。

舉個例子：房價其實受很多因素決定，比如size、number of bedrooms、number of floors、age of home等，這里我們假設房價由4個因素決定，如下圖所示：

我們前面定義過單變量線性回歸的模型：

這里我們可以定義出多變量線性回歸的模型：

Cost Function如下：

如果下面我們要用梯度下降解決多變量的線性回歸，則我們還是可以用傳統的梯度下降算法進行計算：

總練習題

我們想要根據一個學生第一年的成績預測第二年的成績，x為第一年得到A的數量，y為第二年得到A的數量，給定以下數據集：

(1) 訓練集的個數？

答：4個。

(2) J(0, 1)的結果是多少？

解：J(0,1) = 1/(2*4)*[(3-4)^2+(2-1)^2+(4-3)^2+(0-1)^2] = 1/8*(1+1+1+1) = 1/2 = 0.5。

我們也可以通過vectorization的方法快速算出J(0, 1)：

下面是通過TensorFlow進行簡單的實現：

#!/usr/bin/env python  from __future__ import print_function  import tensorflow as tf import numpy as np  trX = np.linspace(-1, 1, 101) # create a y value which is approximately linear but with some random noise trY = 2 * trX + /   np.ones(*trX.shape) * 4 + /   np.random.randn(*trX.shape) * 0.03  X = tf.placeholder(tf.float32) # create symbolic variables Y = tf.placeholder(tf.float32)  def model(X, w, b):   # linear regression is just X*w + b, so this model line is pretty simple   return tf.mul(X, w) + b   # create a shared for weight s w = tf.Variable(0.0, name="weights") # create a variable for biases b = tf.Variable(0.0, name="biases") y_model = model(X, w, b)  cost = tf.square(Y - y_model) # use square error for cost function  # construct an optimizer to minimize cost and fit line to mydata train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost)  # launch the graph in a session with tf.Session() as sess:   # you need to initialize variables (in this case just variable w)   init = tf.initialize_all_variables()   sess.run(init)    # train   for i in range(100):     for (x, y) in zip(trX, trY):       sess.run(train_op, feed_dict={X: x, Y: y})    # print weight   print(sess.run(w)) # it should be something around 2   # print bias   print(sess.run(b)) # it should be something atound 4 

參考：

TensorFlow線性回歸Demo

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持VEVB武林網。