跳到主要內容

淺談機器學習原理-Linear Model

Linear Regession

淺談機器學習原理-Linear Model

Linear Regession

需要預測數值，輸出為實數的數值，我們就稱為它是regession的任務。

  • 範例:Netflix百萬獎金比賽，有100萬筆的rating資料與480K的使用者給17.7k的電影來評分，預測使用者評分電影的星星*數量。

(1)定義問題是否需要使用ML: 預測使用者評分電影的星星*數量，算是一個複雜的問題。且知道評分結果為1~5星，可以知道這是一個regression的任務

(2)收集資料: Netflix有100萬筆的rating資料與

(3)定義模型:假設它是regession問題，我們可以知道hypothesis: h(x) = wT∗xw^T *x的方程式。我們可以與分類Perceptron的公式來比較。

Linear Regession :用來找到最接近實際目標值，也就是最小誤差error的值

(4)測量誤差: squared error : (預測值−真實的值)2(預測值-真實的值)^2 ，我們算出誤差值後，如何得到最小的誤差min(Error(x))

理想化的誤差值

我們可以假設誤差接近於0值為球體的位置，是在曲線的最下方也就是偏微分等於0的位置，我們要找的讓W偏微分等於零。

Statistics vs Machine Learning

Statistics: 統計比較著重在數學的推論

Machine Learning: 機器學習比較著重在資料計算，統計工具對機器學習領域是很有幫助

Logistic Regression 邏輯回歸

需要預測機率，輸出為小數點，我們就稱為它Logistic Regression任務。資料輸出為+1,-1的值，可以預測為機率發生，可以由公式可以知道x在發生+1的機率是多少。範例: 疾病預測、鐵達尼的死完的機率

機率值是介於0~1之間

(1)定義模型:我們一樣使用w∗xw*x的方程式，算出多少機率會發生為S=1，我們通常會hypothesis是一個指數的方程式，當S越大表示發生的機率為1，越小就為0。

(2)測量誤差: 這個跟線性的概念一樣，需要找到與現實差距最小的誤差值，實務上會使用gradient descent驗算法來找到w的這個目標值。

總結:

  1. Linear Classificatoin: 分類問題0或1，這類問題比較特殊案例。

  2. Linear Regression : 線性回歸就是找到w=0的情況就是最佳解

  3. Logistic Regression : 邏輯回歸是找到w最小為機率大

任何情況可以優先考慮Linear Models來解。

參考資料

台大資訊 人工智慧導論影片

https://www.youtube.com/watch?v=BLldaAhrIrA&list=PLOAQYZPRn2V658cD6AjiBmKohfMIevWO7&index=6

https://www.youtube.com/watch?v=lSZWZo7mmnQ

標籤：

留言

張貼留言

這個網誌中的熱門文章

JavaBean 和POJO

前言 今天介紹JavaBean和POJO的不同，這兩個名詞在JAVA文章常常被拿來使用以及討論。在JDK1.1時候釋出才有的一個標準架構，很多時候常常被搞混，所以我們特別開闢一章來加以討論。POJO規範在企業級應用已經廣大的被使用的規範。 解釋 POJO : 全名為Plain-old-Java-object，只需要繼承Object就可以，沒有特定規定，只要建立的類別有setter/getter方法都可以稱為POJO JavaBean: JavaBean通常用來封裝多個物件成為單獨物件使用，規範比較嚴格，規則如下 規則 說明 1 需要實作序列(Serializable/Externalizable) 2 不能有參數的建構子( no-arg constructor) 3 需要有公用setter/getter 4 屬性必須要私人(private) 5 屬於特定POJO規則 比較 所有的JavaBean都為POJO，但是所有的POJO不一定為JavaBean 都可以當作重複元件 都必須序列化 特性都為可用性、易用性和持久化使用 - 應用 由圖我們可以知道POJO在應用程式中，主要用來存取資料庫資料達到持久化的目的，並提供給商業邏輯流程處理使用。這種POJO的架構提供程式人員開發時的可以很有規則將資料封裝並加以使用。 範例1. JavaBean(以員工為實例) JavaBean建立員工物件，可以發現Employee物件建構子沒有任何參數，屬性為私有化並setter/getter的命名方式。 //實作序列化 public class Employee implements java.io.Serializable{ private int id; private String name; //無參數建構子 public Employee(){} //以下實作setter/getter public void setId(int id){this.id=id;} public int getId(){return id;} public void setName(String ...
張貼留言
閱讀完整內容

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題： 例如：log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在： 利用google查詢所遭遇到的問題，例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法： 我實作下面解法後，就可以順利執行手寫辨識的程式． //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096
1 則留言
閱讀完整內容

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型，放到正式環境可以正常的運作，通常Linear Model的gerneralization會比較好，因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料，我們就無法使用線性的模型，我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決，在演算法我們利用reduce來將不會的問題透過已知的問題來解決，所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式， { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線，就可將不同的分類區分，圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後，希望透過線性方程式方式來學習，得到正解。 當我們Nonlinear transform轉換成線性方程式，當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...
張貼留言
閱讀完整內容