线性回归例子
如果
[{h_ heta }left( x ight) = { heta _0} + { heta _1}x]
通过线性回归得到的曲线可能如下图
这种情况下,曲线对数据的拟合程度不好。这种情况称为“Underfit”,这种情况属于“High bias”(高偏差)。
如果
[{h_ heta }left( x ight) = { heta _0} + { heta _1}x + { heta _2}{x^2}]
通过线性回归得到的曲线可能如下图
这种情况下,曲线对数据的拟合程度就比较好,可以称为“Just right”。。。
如果
[{h_ heta }left( x ight) = { heta _0} + { heta _1}x + { heta _2}{x^2} + { heta _3}{x^3} + { heta _4}{x^4}]
通过线性回归得到的曲线可能如下图
这种情况下虽然对现有数据有很好的拟合程度,但是对于新的数据预测是不合理的。这种情况称为“Overfit”,这种情况属于“High variance”(高方差)。
什么情况会出现过拟合呢?
if we have too many features, the learned hypothesis may fit the training set very well (J(θ)≈0), but fail to generalize to new examples (predict prices on new examples).
如果我们有太多的特征,学习的假设可能非常适合训练集(J(θ)≈0),但不能推广到新的例子(预测新例子的价格)。
在列举逻辑回归的例子
如果
[egin{array}{l}
{h_ heta }left( x
ight) = gleft( {{ heta _0} + { heta _1}{x_1} + { heta _2}{x_2}}
ight)\
left( {g = sigmoid\_function}
ight)
end{array}]
这种情况属于“Underfit”
如果
[{h_ heta }left( x ight) = gleft( {{ heta _0} + { heta _1}{x_1} + { heta _2}{x_2} + { heta _3}x_1^2 + { heta _4}x_2^2 + { heta _5}{x_1}{x_2}} ight)]
这种情况属于“Just right”
如果
[{h_ heta }left( x ight) = gleft( {{ heta _0} + { heta _1}{x_1} + { heta _2}x_1^2 + { heta _3}x_1^2{x_2} + { heta _4}x_1^2x_2^2 + { heta _5}x_1^2x_2^3 + ...} ight)]
这种情况属于“Overfit”
如何解决过拟合?
方案1:
Reduce number of features.
- Manually select which features to keep.
- Model selection algorithm
减少特征的数量
- 人工决定保留哪些特征
- 运用模型选择算法
存在的问题:去掉特征就意味着去掉“Information”,如果去掉了有用的信息就不好了
方案2:
Regularization
- Keep all the features, but reduce magnitude/values of parameters θj
正规化
- 保留所有特征,但减少参数θj的幅度/值
优点:Works well when we have a lot of features, each of which contributes a bit to predicting y.
当我们有很多特征时效果很好,每个功能都有助于预测y。
正则化具体实现
对比以下两种情况
[{h_ heta }left( x ight) = { heta _0} + { heta _1}x + { heta _2}{x^2}]
[{h_ heta }left( x ight) = { heta _0} + { heta _1}x + { heta _2}{x^2} + { heta _3}{x^3} + { heta _4}{x^4}]
假设我们使θ3,θ4很小,那么x3和x4的影响就会很小,这时过拟合的公式结果就很接近好的情况
我们先假设使用如下公式
[Jleft( heta ight) = frac{1}{{2m}}sumlimits_{i = 1}^m {{{left( {{h_ heta }left( {{x^{left( i ight)}}} ight) - {y^{left( i ight)}}} ight)}^2}} + 1000 heta _3^2 + 1000 heta _4^2]
线性回归的目的是
[mathop {min }limits_ heta frac{1}{{2m}}sumlimits_{i = 1}^m {{{left( {{h_ heta }left( {{x^{left( i ight)}}} ight) - {y^{left( i ight)}}} ight)}^2}} + 1000 heta _3^2 + 1000 heta _4^2]
因为的θ3,θ4权重比较大,所以要想最小化这个方程,θ3,θ4必须很小,这就起到的减小θ3,θ4的效果。
在正则化方法中,我们不知道需要让那个参数更小,这时我们就让所有参数都小。
加上正则化部分后代价函数为
[left( heta ight) = frac{1}{{2m}}left[ {underbrace {sumlimits_{i = 1}^m {{{left( {{h_ heta }left( {{x^{left( i ight)}}} ight) - {y^{left( i ight)}}} ight)}^2}} }_{part1} + underbrace {lambda sumlimits_{j = 1}^n { heta _j^2} }_{part2}} ight]]
其中,λ称为正则化参数(regulariztion parameter)。这个函数有两个目标:第一个目标是让h(x)尽量接近y;第二个目标是让每个θ尽量小(或让代价函数尽量简单)。
为什么让所有参数都尽量小就可以达到让函数曲线更接近正确?
自己实现了就比较直观的了解了!!
λ的大小选择问题
对于
[{h_ heta }left( x ight) = { heta _0} + { heta _1}x + { heta _2}{x^2} + { heta _3}{x^3} + { heta _4}{x^4}]
如果 λ选的过大,所有的参数θ1,θ2,θ3,θ4都会很小,这样就会出现
[{h_ heta }left( x ight) approx { heta _0}]
这就会出现欠拟合(underfit)
如果λ选的过小,就起不到正则化的效果,这样就会出现
[{h_ heta }left( x ight) approx { heta _0} + { heta _1}x + { heta _2}{x^2} + { heta _3}{x^3} + { heta _4}{x^4}]
这样就解决不了过拟合(overfit)