台大林轩田《机器学习基石》学习笔记5：线性模型一（PLA/pocket、Linearregression ）

原文地址： http://blog.csdn.net/qq_22717679/article/details/51178927

线性模型 - Linear models

    举个例子引入，银行发放信用卡问题。银行掌握了某顾客的资料，包括年龄、性别、年薪、年工作时间、信用贷款等等，现在银行需要知道：

    要不要发信用卡给该顾客？——Binaryclassification  y=0/1

    给该顾客多少信用额度？——Linear regression  y∈R

    该顾客透支信用额度无法还款的可能性有多大？——Logistic regression  y∈[0,1]

 




 

PLA/pocket

For binary classification解决是非问题

    Perceptron是二类线性分类模型：输入向量X的每一个分量都对应一个权重w（也就是每个因素对最后输出的重要程度），线性组合后得到一个score，根据设定的阈值输出y，即score大于阈值y取+1，小于阈值y取-1

    Perceptron learning algorithm是训练出最佳Perceptron的方法，也就是得到使 Ein(w)min的w：由一组样本训练出可将所有样本点正确分类的Perceptron，思路是由一个初始分类（二维是直线）开始，寻找这个分类分错的样本点，修正该分类（线向该点方向偏移），直至找不出错误分类样本点

    PLA是迭代的过程，若训练样本线性可分，则PLA能够停下来（可证）；若不是线性可分，这就是一个NP-hard问题，一个解决方法是pocket口袋算法，每次迭代比较口袋里和手里的分法，将较好的放在pocket里暂存，直至循环次数足够多停止，这样比较贪心的得到一个不错的w

参考：http://blog.csdn.net/bingduanlbd/article/details/24468885

 

 Linearregression 线性回归

    与二值分类问题相比，线性回归过程省去了阈值判断步骤：输入向量X的每一个分量都对应一权重w，线性组合后得到一个结果，直接将score作为y值输出，求最佳权重向量w

    线性回归通常用squared error作为错误衡量，回归过程也就是寻找w（直线/平面/超平面），使得输入数据的残差最小的过程；由于Ein(w)是连续可微的凸函数，求解其微分为零的点找到曲线的“谷底”，且式子直接可解，于是“一步登天”得到解