线性模型

最近，准备将机器学习再重新捋一遍，为了加强自己的记忆，将看到的内容重新总结记录。学习材料为 周志华 《机器学习》。

机器学习：

1 线性模型

1.1线性回归

1.2对数几率回归

1.3线性判别分析

1.4多分类学习

1.5类别不平衡问题

2 决策树

3 神经网络

4 支持向量机

5 贝叶斯分类器

6 集成学习

7 聚类

1 线性模型

给定一个含有个属性描述的示例，线性回归试图学得一个通过属性的线性组合来进行预测的函数，即

一般用向量表示为：

1.1 线性回归

在写线性回归之前，先写一下我之前的一个疑问（蠢蠢的问题），以便和我一样有此疑惑的童鞋进行参考。

问题：回归和分类有什么区别？

答：回归输出的为实值，例如利用线性回归预测房价，预测考试分数等；而分类输出为离散值，例如利用分类估计房价是高还是低，考试分数及格还是不及格。

言归正传，介绍线性回归~~~~~~

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~我是分割线~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

目的：

给定数据集，其中每个含有d个属性。线性回归（linear regression）试图学得一个线性模型以尽可能准确地预测实值输出标记。即试图学得：，使得

方法：

令=, ，则采用均方误差（回归任务中最常用的性能度量），，此时的中包含了bias（偏差量），我们的目标是训练得到一个，使得均方误差最小。

利用数学上的知识，令则可得到的最优闭式解。此解的情况相对比较复杂，我们做一下简单的讨论:

1）当为满秩矩阵（full-rank matrix）或正定矩阵（positive definite matrix）时，可得：,则最终得到的线性模型为，其中。

2）当不满足条件1）时，例如在许多任务中会遇到大量的变量，其数目甚至超过样例数，导致的列数显然多于行数，显然不满秩，此时可解出多了，而选择哪一个解，将由学习算法的归纳偏好决定，常见的做法是引入正则化（regularization）项。

变形：

线性模型虽然简单，但有着丰富的变形。当我们希望预测值逼近真实标记时，则有线性回归模型。为便于观察，我们把线性回归模型简写为：

那我们也可以令预测值逼近真实标记的衍生物。例如，我们令输出的预测值逼近，则有对数线性回归（log-linear

regression），即：

(1.1)

他实际上是让逼近，虽然式(1.1)在形式是线性的，但实际上已是在求取输入空间到输出空间的非线性映射了。

更一般的，考虑单调可微函数，令：

这样的模型为广义线性模型（generalized linear model），函数成为联系函数（link function）。