广场 › 编程语言 › 感知机回归

青衣 发表于 2021-8-9 15:58:08

感知机回归

概述感知机分类一文中提到了感知机模型在分类问题上的应用，如果，我们需要将其使用于回归问题呢，应该怎样处理呢？
其实只要修改算法的最后一步，
sign(x)={+1−1,x≥0,x<0(1.1)sign(x)={+1,x≥0−1,x<0(1.1)      sign(x)=\left\{\begin{matrix}+1 &, x\geq 0\\ -1 &, x< 0\end{matrix}\right.\tag{1.1}sign(x)={+1−1​,x≥0,x<0​(1.1)
函数即可。经过sign函数的处理，只可能是两个值，要么1，要么-1,。如果将最后的sign函数改成该函数：
f(x)=x(1.2)f(x)=x(1.2)      f(x)=x\tag{1.2}f(x)=x(1.2)
那么，最后的输出值就是一个实数而不是1或-1中的一个值了，这样就达到了回归的目的。
损失函数在实际问题中，损失函数是根据不同的问题进行设计的，因此，单单改变了激活函数还不够，还需要改变损失函数，通常情况下，回归问题使用的损失函数为：
e=12(y−yˆ)2(2.1)e=12(y−y^)2(2.1)      e=\frac{1}{2}(y-\hat{y})^2\tag{2.1}e=21​(y−y^​)2(2.1)
在公式(2.1)中，yy      yy表示训练样本里面的标记，也就是实际值；yˆy^      \hat{y}y^​表示模型计算的出来的预测值。ee      ee叫做单个样本的误差。至于为什么前面要乘1/21/2      1/21/2，是为了后面计算方便。
根据公式(2.1)，在nn      nn个样本的数据集中，可以将总误差EE      EE记为：
E=12∑i=1n(y(i)−yˆ(i))2(2.2)E=12∑i=1n(y(i)−y^(i))2(2.2)      \begin{aligned}E&=\frac{1}{2}\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})^2\end{aligned}\tag{2.2}E​=21​i=1∑n​(y(i)−y^​(i))2​(2.2)
在公式(2.2)中，y(i)y(i)      y^{(i)}y(i)表示第ii      ii个样本的真实值，yˆ(i)y^(i)      \hat{y}^{(i)}y^​(i)表示第ii      ii个样本的预测值。且
yˆ(i)=h(x(i))=wTx(i)(2.3)y^(i)=h(x(i))=wTx(i)(2.3)      \begin{aligned}\hat{y}^{(i)}&=h(\mathrm{x}^{(i)})\\&=\mathrm{w}^T\mathrm{x^{(i)}}\end{aligned}\tag{2.3}y^​(i)​=h(x(i))=wTx(i)​(2.3)
我们的目的，是训练模型：求取到合适的ww      \mathrm{w}w，使(2.2)取得最小值。
求参数的方法
3.1 极大似然估计
该方法之前有提到过，大致思路为让损失函数对参数求导并令其为0，求出参数的值。具体的可以参考线性回归模型 ，但该方法仅适用于激活函数为f(x)=xf(x)=x      f(x)=xf(x)=x的情况。

3.2 梯度下降算法
该方法是计算机通过强大的计算能力，一步步把极值点“试”出来，大致过程如下：

还记的感知机学习的步骤吗？主要是解决两个问题：

[*]往哪走？
[*]走多远？
首先随机选择一个点xx      xx，在之后的过程中每次修改该点，经过数次迭代之后最终到达函数的最小值点。根据梯度的性质：梯度的反方向是函数值下降最快的方向，每次沿着梯度相反的方向修改xx      xx的值，最后是有可能走到极小值附近的。该公式可以表示为：
xnew=xold−η∇f(x)(3.1)xnew=xold−η∇f(x)(3.1)      \mathrm{x}_{new}=\mathrm{x}_{old}-\eta\nabla{f(x)}\tag{3.1}xnew​=xold​−η∇f(x)(3.1)
将其应用于我们的目标函数的权值中时，则有
wnew=wold−η∇E(w)(3.2)wnew=wold−η∇E(w)(3.2)      \begin{aligned}\mathrm{w}_{new}=&\mathrm{w}_{old}-\eta\nabla{E(\mathrm{w})}\\\tag{3.2}\end{aligned}wnew​=​wold​−η∇E(w)​(3.2)
对∇E(w)∇E(w)      \nabla{E(\mathrm{w})}∇E(w)则有：
∇E(w)=∂∂wE(w)=∂∂w12∑i=1n(y(i)−yˆ(i))2=12∂∂w∑i=1n(y(i)2−2yˆ(i)y(i)+yˆ(i)2)=12∂∂w∑i=1n(−2yˆ(i)y(i)+yˆ(i)2)=12∑i=1n[−2y(i)∂yˆ(i)∂w+∂yˆ(i)2∂w]=12∑i=1n[−2y(i)∂wTx(i)∂w+2yˆ(i)∂wTx(i)∂w]=12∑i=1n[−2y(i)x(i)+2yˆ(i)x(i)]=−∑i=1n(y(i)−yˆ(i))x(3.3)∇E(w)=∂∂wE(w)=∂∂w12∑i=1n(y(i)−y^(i))2=12∂∂w∑i=1n(y(i)2−2y^(i)y(i)+y^(i)2)=12∂∂w∑i=1n(−2y^(i)y(i)+y^(i)2)=12∑i=1n[−2y(i)∂y^(i)∂w+∂y^(i)2∂w]=12∑i=1n[−2y(i)∂wTx(i)∂w+2y^(i)∂wTx(i)∂w]=12∑i=1n[−2y(i)x(i)+2y^(i)x(i)]=−∑i=1n(y(i)−y^(i))x(3.3)      \begin{aligned}\nabla{E(\mathrm{w})}&=\frac{\partial}{\partial\mathrm{w}}E(\mathrm{w})\\&=\frac{\partial}{\partial\mathrm{w}}\frac{1}{2}\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})^2\\&=\frac{1}{2}\frac{\partial}{\partial\mathrm{w}}\sum_{i=1}^{n}(y^{(i)2}-2\hat{y}^{(i)}y^{(i)}+\hat{y}^{(i)2})\\&=\frac{1}{2}\frac{\partial}{\partial\mathrm{w}}\sum_{i=1}^{n}(-2\hat{y}^{(i)}y^{(i)}+\hat{y}^{(i)2})\\&=\frac{1}{2}\sum_{i=1}^{n}[-2y^{(i)}\frac{\partial \hat{y}^{(i)}}{\partial\mathrm{w}}+\frac{\partial \hat{y}^{(i)2}}{\partial \mathrm{w}}]\\&=\frac{1}{2}\sum_{i=1}^{n}[-2y^{(i)}\frac{\partial \mathrm{w}^T\mathrm{x^{(i)}}}{\partial\mathrm{w}}+2\hat{y}^{(i)}\frac{\partial \mathrm{w}^T\mathrm{x^{(i)}}}{\partial \mathrm{w}}]\\&=\frac{1}{2}\sum_{i=1}^{n}[-2y^{(i)}\mathrm{x^{(i)}}+2\hat{y}^{(i)}\mathrm{x^{(i)}}]\\&=-\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})\mathrm{x}\tag{3.3}\end{aligned}∇E(w)​=∂w∂​E(w)=∂w∂​21​i=1∑n​(y(i)−y^​(i))2=21​∂w∂​i=1∑n​(y(i)2−2y^​(i)y(i)+y^​(i)2)=21​∂w∂​i=1∑n​(−2y^​(i)y(i)+y^​(i)2)=21​i=1∑n​[−2y(i)∂w∂y^​(i)​+∂w∂y^​(i)2​]=21​i=1∑n​[−2y(i)∂w∂wTx(i)​+2y^​(i)∂w∂wTx(i)​]=21​i=1∑n​[−2y(i)x(i)+2y^​(i)x(i)]=−i=1∑n​(y(i)−y^​(i))x​(3.3)
所以，梯度更新公式为：
wnew=wold+η∑ni=1(y(i)−yˆ(i))x(i)(3.4)wnew=wold+η∑i=1n(y(i)−y^(i))x(i)(3.4)      \mathrm{w}_{new}=\mathrm{w}_{old}+\eta\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})\mathrm{x}^{(i)}\tag{3.4}wnew​=wold​+ηi=1∑n​(y(i)−y^​(i))x(i)(3.4)
若有M+1个特征，（常数项也包括在内），则w,xw,x      \mathrm{w},\mathrm{x}w,x是M+1维列向量，所以(3.4)可以写成
⎡⎣⎢⎢⎢⎢w0w1w2...wm⎤⎦⎥⎥⎥⎥new=⎡⎣⎢⎢⎢⎢w0w1w2...wm⎤⎦⎥⎥⎥⎥old+η∑ni=1(y(i)−yˆ(i))⎡⎣⎢⎢⎢⎢⎢⎢1x(i)1x(i)2...x(i)m⎤⎦⎥⎥⎥⎥⎥⎥new=old+η∑i=1n(y(i)−y^(i))      \begin{bmatrix}w_0 \\w_1 \\w_2 \\... \\w_m \\\end{bmatrix}_{new}=\begin{bmatrix}w_0 \\w_1 \\w_2 \\... \\w_m \\\end{bmatrix}_{old}+\eta\sum_{i=1}^{n}(y^{(i)}-\hat{y}^{(i)})\begin{bmatrix}1 \\x_1^{(i)} \\x_2^{(i)} \\... \\x_m^{(i)} \\\end{bmatrix}⎣⎢⎢⎢⎢⎡​w0​w1​w2​...wm​​⎦⎥⎥⎥⎥⎤​new​=⎣⎢⎢⎢⎢⎡​w0​w1​w2​...wm​​⎦⎥⎥⎥⎥⎤​old​+ηi=1∑n​(y(i)−y^​(i))⎣⎢⎢⎢⎢⎢⎡​1x1(i)​x2(i)​...xm(i)​​⎦⎥⎥⎥⎥⎥⎤​
与分类器的比较
算法分类回归模型sign(x)={+1−1,x≥0,x<0sign(x)={+1,x≥0−1,x<0      sign(x)=\left\{\begin{matrix}+1 &, x\geq 0\\ -1 &, x< 0\end{matrix}\right.sign(x)={+1−1​,x≥0,x<0​f(x)=xf(x)=x      f(x)=xf(x)=x训练规则w←w+η(y−yˆ)xw←w+η(y−y^)x      \mathrm{w}\gets\mathrm{w}+\eta(y-\hat{y})\mathrm{x}w←w+η(y−y^​)xw←w+η(y−yˆ)xw←w+η(y−y^)x      \mathrm{w}\gets\mathrm{w}+\eta(y-\hat{y})\mathrm{x}w←w+η(y−y^​)x
5.代码实现代码在这里， 翻我牌子

制作数据
import numpy as np
from sklearn.model_selection import train_test_split
def load_data(n):
X = np.arange(0, 10, 0.1)
y = X + (np.random.rand(len(X)) - 0.5) * n
X_train, X_test, y_train, y_test = train_test_split(X, y)
return X_train, X_test, y_train, y_test
def show_data():
import matplotlib.pyplot as plt
print(X.shape)
plt.scatter(X, y)
plt.plot(X, X)
plt.show()

主代码
'''
用感知机实现回归算法
'''
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
class ProceptronRegression():
def init(self, max_itr=100, lr_rate=0.01, eps=0.1):
self.max_itr = max_itr
self.lr_rate = lr_rate
self.eps = eps
def SquareLoss(self, y, y_pred):
    return np.sum((y - y_pred)**2) / len(y)**2

def fit(self, X, y):
    w = np.random.rand(2) # b, a, 构造y = a*x + b

    for itr in range(self.max_itr):
      # print(len(X)**2)
      temp = 0
      for d in range(len(X)):

            x_ = np.array(])
            y_ = y
            temp += (y_ - np.dot(w, x_)) * x_

      # print(temp)
      w += self.lr_rate * temp
      # print(w)
      self.w = w
      y_pred = self.predict(X)
      if self.SquareLoss(y, y_pred) < self.eps:
            print("iterations:", itr+1)
            break

    print("Train Finished !")
    return



def predict(self, X):
    returnnp.dot(X, self.w) + self.w

def score(self, X, y):
    y_pred = self.predict(X)
    return self.SquareLoss(y, y_pred)
if name == "main":
from Data.make_regression importload_data
X_train, X_test, y_train, y_test = load_data(4) # 参数为离散程度
rgs = ProceptronRegression(max_itr=100, lr_rate=1e-4, eps=0.01)
rgs.fit(X_train, y_train)
print("training loss: ", rgs.score(X_test, y_test))
y_pred = rgs.predict(X_test)
print("predict: ", y_pred)

plt.scatter(X_train, y_train, label="train")
xx = np.arange(X_train.min(), X_train.max(), 0.01)
plt.plot(xx, rgs.w*xx + rgs.w, 'r')
plt.scatter(X_test, y_pred, label='predict')
plt.legend()
plt.show()
                              </div>



文档来源：51CTO技术博客https://blog.51cto.com/u_15323724/3290552

查看完整版本: 感知机回归