英文名是 Normal Equations。
对于线性回归问题,除了前面提到的最小二乘法可以解决一元线性回归的问题外,也可以解决多元线性回归问题。
对于多元线性回归,可以用正规方程来解决,也就是得到一个数学上的解析解。它可以解决下面这个公式描述的问题:
y=a_0+a_1x_1+a_2x_2+\dots+a_kx_k \tag{1}
简单的推导方法
在做函数拟合(回归)时,我们假设函数H为:
h(w,b) = b + x_1 w_1+x_2 w_2+…+x_n w_n \tag{2}
令b=w_0,则:
h(w) = w_0 + x_1 \cdot w_1 + x_2 \cdot w_2+…+ x_n \cdot w_n\tag{3}
公式3中的x是一个样本的n个特征值,如果我们把m个样本一起计算,将会得到下面这个矩阵:
H(w) = X \cdot W \tag{4}
公式4中的X和W的矩阵形状如下:
$$
X^{(m \times(n+1))}=\left(\begin{array}{ccccc}
1 & x{1,1} & x{1,2} & \dots & x{1, n} \
1 & x{2,1} & x{2,2} & \dots & x{2, n} \
\dots & & \
1 & x{m, 1} & x{m, 2} & \dots & x_{m, n}
\end{array}\right) \tag{5}
$$
$$
W^{(n+1)}=\left(\begin{array}{c}
w{0} \
w{1} \
\cdots \
w_{n}
\end{array}\right) \tag{6}
$$
然后我们期望假设函数的输出与真实值一致,则有:
H(w) = X \cdot W = Y \tag{7}
其中,Y的形状如下:
$$
Y^{(m)}=\left(\begin{array}{l}
y{1} \
y{2} \
\dots \
y_{m}
\end{array}\right) \tag{8}
$$
直观上看,W = Y/X,但是这里三个值都是矩阵,而矩阵没有除法,所以需要得到X的逆矩阵,用Y乘以X的逆矩阵即可。但是又会遇到一个问题,只有方阵才有逆矩阵,而X不一定是方阵,所以要先把左侧变成方阵,就可能会有逆矩阵存在了。所以,先把等式两边同时乘以X的转置矩阵,以便得到X的方阵:
X^T X W = X^T Y \tag{9}
其中,XT X一定是个方阵,并且假设其存在逆矩阵,把它移到等式右侧来:
W = (X^T X)T Y} \tag{10}
至此可以求出W的正规方程。
复杂的推导方法
我们仍然使用均方差损失函数:
J(w,b) = \sum (z_i - y_i)^2 \tag{11}
把b看作是一个恒等于1的feature,并把z=XW计算公式带入,并变成矩阵形式:
J(w) = \sum (x_i w_i -y_i)^2=(XW - Y)^T \cdot (XW - Y) \tag{12}
对w求导,令导数为0,就是W的最小值解:
$$
\begin{array}{c}
\frac{\partial J(w)}{\partial w}=\frac{\partial}{\partial w}\left[(X W-Y)^{T} \cdot(X W-Y)\right] \
=\frac{\partial}{\partial w}\left[\left(W^{T} X{T}\right) \cdot(X W-Y)\right] \
=\frac{\partial}{\partial w}\left[\left(W{T}XW-W{T} Y-Y^{T} X W+Y^{T} Y\right)\right]
\end{array}
$$
求导后(请参考矩阵/向量求导公式):
第一项的结果是:2X^TXW(分母布局,denominator layout)
第二项的结果是:X^TY(分母布局方式,denominator layout)
第三项的结果是:X^TY(分子布局方式,numerator layout,需要转置Y^TX)
第四项的结果是:0
再令导数为0:
J’(w)=2X^TXW - 2X^TY=0 \tag{14}
X^TXW = X^TY \tag{15}
W=(X{-1}X^TY \tag{16}
结论和公式10一样。
逆矩阵(X{-1}可能不存在的原因是:
- 特征值冗余,比如$$x_2=x^2_1$$,即正方形的边长与面积的关系,不能做为两个特征同时存在
- 特征数量过多,比如特征数n比样本数m还要大
以上两点在我们这个具体的例子中都不存在。
代码实现
我们把表5-1的样本数据带入方程内。根据公式(5),我们应该建立如下的X,Y矩阵:
$$
X^{(1000 \times 3)}=\left(\begin{array}{ccc}
1 & 10.06 & 60 \
1 & 15.47 & 74 \
1 & 18.66 & 46 \
1 & 5.20 & 77 \
\dots
\end{array}\right) \tag{17}
$$
$$
Y^{(1000 \times 1)}=\left(\begin{array}{c}
302.86 \
393.04 \
270.67 \
450.59 \
\ldots
\end{array}\right) \tag{18}
$$
根据公式(10):
W = (X^T X)T Y} \tag{10}
- X是1000x3的矩阵,X的转置是3x1000,$$X^TX$$生成(3x3)的矩阵
- $$(X{-1}$$也是3x3
- 再乘以$$X^T$$,即(3x3)x(3x1000)的矩阵,变成3x1000
- 再乘以Y,Y是1000x1,所以(3x1000)x(1000x1)变成3x1,就是W的解,其中包括一个偏移值b和两个权重值w,3个值在一个向量里
if __name__ == '__main__':
reader = SimpleDataReader()
reader.ReadData()
X,Y = reader.GetWholeTrainSamples()
num_example = X.shape[0]
one = np.ones((num_example,1))
x = np.column_stack((one, (X[0:num_example,:])))
a = np.dot(x.T, x)
# need to convert to matrix, because np.linalg.inv only works on matrix instead of array
b = np.asmatrix(a)
c = np.linalg.inv(b)
d = np.dot(c, x.T)
e = np.dot(d, Y)
#print(e)
b=e[0,0]
w1=e[1,0]
w2=e[2,0]
print("w1=", w1)
print("w2=", w2)
print("b=", b)
# inference
z = w1 * 15 + w2 * 93 + b
print("z=",z)
运行结果
w1= -2.0184092853092226
w2= 5.055333475112755
b= 46.235258613837644
z= 486.1051325196855
我们得到了两个权重值和一个偏移值,然后得到房价预测值z=486万元。
至此,我们得到了解析解。我们可以用这个做为标准答案,去验证我们的神经网络的训练结果。
代码位置
原代码位置:ch05, Level1
个人代码:NormalEquation**