第三章 线性模型
3.1 基本形式
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,即
一般用向量形式写成
w 和 b 学得之后, 模型就得以确定。
3.2 线性回归
对离散属性的处理:
若属性值间存在序关系,可通过连续化将其转化为连续值,例如二值属性“身高”的取值“高”“矮”可转化为 {1.0, 0.0};
若属性值间不存在序关系,假定有 k 个属性值,则通常转化为 k 维向量。
均方差误差最小
基于均方误差最小化来进行模型求解的方法称为最小二乘法(least square method) 。
线性回归模型的最小二乘参数估计 :指求解 w 和 b 使 E(w, b) = ∑(yi - wxi - b)2 最小化的过程。
对数线性回归(log-linear regression) :
这样得到的模型称为广义线性模型(generalized linear model),函数 g 称为联系函数(link function)。
3.3 对数几率回归
分类任务如何处理?
对数几率函数(logistic function) :
几率:若将 y 看做样本 x 为正例的可能性,则 1-y 为样本 x 为反例的可能性,这两者的比例称为几率。
对数几率:将上述几率取对数。
对数几率回归 :(**)式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,因此,其对应的模型称为对数几率回归(logistic regression)。
它是一种分类学习方法。
对数几率回归的优点 :
它直接对分类可能性进行建模,无需事先假设数据分布,避免了假设分布不准确所带来的问题。
它不仅预测出类别,还得到近似概率预测,对许多需利用概率辅助决策的任务很有用。
对率函数是任意阶可导的凸函数,有很好的数学性质,现有的许多数值优化算法都可直接用于求取最优解。
如何确定(**)式中的 w 和 b?
3.4 线性判别分析
线性判别分析(Linear Discriminant Analysis,简称LDA)的思想 :
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尽可能接近,异类样例的投影尽可能远离。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去顶新样本的类别。
3.5 多分类问题
多分类问题的基本思路 是拆解法,即将多分类的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) 。
考虑 N 个类别C1 ,C2 ,...,CN ,
给定数据集 D = {(x1 ,y1 ),(x2 ,y2 ),...,( xm ,ym )}, yi ∈ { C 1 ,C 2 ,...,C N }
OvO 将这 N 个类别两两配对,从而产生 N(N-1)/2 个二分类任务。
OvR 是每次将一个类的样例作为正例、所有其他类的样例作为反例来训练 N 个分类器。
MvM 是每次将若干个类作为正类,若干个其他类作为反类。MvM的正、反类构造必须有特殊的设计,不能随意选取。最常见的MvM技术为纠错输出码 (Error Correcting Output Codes, 简称ECOC)。
纠错 :在测试阶段,ECOC编码对分类的错误有一定的容忍和修正能力。
一般来说,对同一个学习任务,ECOC编码越长,纠错能力越强。
对同等长度的编码,理论上来说,任意两个类别之间的编码距离越远,则纠错能力越强。
3.6 类别不平衡问题
前面几个分类学习方法都有一个共同的假设:不同类别的训练样例数目相同。
类别不平衡(class-imbalance) :指分类任务中不同类别的训练样例数目差别很大的情况。
以线性分类器为例,在用 y = wT x + b对新样本 x 进行分类时,实际上是在用预测出的 y 值与一个阈值进行比较,大于阈值时为正例,反之则为反例。
1. 正、反例数目相同时的阈值是0.5,即
2. 正、反例数目不同时的阈值是 m+ / (m+ + m- ),即
m+ 表示正例数目, m - 表示返利数目。
这就是类别不平衡学习的一个基本策略——再缩放(rescaling) 。
当“训练集是真实样本总体的无偏采样”这个假设不成立时,有以下方法:
方法
欠采样(undersampling)
过采样(oversampling)
阈值移动(threshold-moving)
详情
去除一些反例使得正、反例数目接近,然后进行学习
增加一些正例使得正、反例数目接近,然后再进行学习
直接基于原始训练集进行学习,但在用训练好的分类器进行预测时,将再缩放的公式嵌入到决策过程中
注
1. 时间开销较小 2. 不能随机丢弃反例,可能丢失重要信息。 3. 代表算法EasyEnsemble
1.不能简单的对初始正例样本进行重复采样,否则会招致严重的过拟合。 2. 代表算法SMOTE
再缩放也是代价敏感学习的基础。