Run this notebook online:\ |Binder| or Colab: |Colab|
.. |Binder| image:: https://mybinder.org/badge_logo.svg
:target: https://mybinder.org/v2/gh/deepjavalibrary/d2l-java/master?filepath=chapter_linear-networks/linear-regression.ipynb
.. |Colab| image:: https://colab.research.google.com/assets/colab-badge.svg
:target: https://colab.research.google.com/github/deepjavalibrary/d2l-java/blob/colab/chapter_linear-networks/linear-regression.ipynb
.. _sec_linear_regression:
线性回归
========
*回归*\ (regression)
是指一类为一个或多个自变量与因变量之间关系建模的方法。在自然科学和社会科学领域,回归经常用来表示输入和输出之间的关系。
在机器学习领域中的大多数任务通常都与\ *预测*\ (prediction)有关。
当我们想预测一个数值时,就会涉及到回归问题。常见的例子包括:预测价格(房屋、股票等)、预测住院时间(针对住院病人)、预测需求(零售销量)等。但不是所有的\ *预测*\ 都是回归问题。在后面的章节中,我们将介绍分类问题。分类问题的目标是预测数据属于一组类别中的哪一个。
线性回归的基本元素
------------------
*线性回归* (linear
regression)在回归的各种标准工具中最简单而且最流行。它可以追溯到19世纪初。线性回归基于几个简单的假设:首先,假设自变量
:math:`\mathbf{x}` 和因变量 :math:`y`
之间的关系是线性的,即\ :math:`y`\ 可以表示为 :math:`\mathbf{x}`
中元素的加权和,这里通常允许包含观测值的一些噪声;其次,我们假设任何噪声都比较正常,如噪声遵循正态分布。
为了解释\ *线性回归*\ ,我们举一个实际的例子:我们希望根据房屋的面积(平方英尺)和房龄(年)来估算房屋价格(美元)。为了开发一个能预测房价的模型,我们需要收集一个真实的数据集。这个数据集包括了房屋的销售价格、面积和房龄。在机器学习的术语中,该数据集称为
*训练数据集*\ (training data set)或\ *训练集* (training
set),每行数据(在这个例子中是与一次房屋交易相对应的数据)称为\ *样本*\ (sample),也可以称为\ *数据点*
(data point)或\ *数据样本*\ (data
instance)。我们要试图预测的目标(在这个例子中是房屋价格)称为
*标签*\ (label)或
*目标*\ (target)。预测所依据的自变量(面积和房龄)称为
*特征*\ (features)或 *协变量*\ (covariates)。
通常,我们使用 :math:`n` 来表示数据集中的样本数。对索引为 :math:`i`
的样本,其输入表示为
:math:`\mathbf{x}^{(i)} = [x_1^{(i)}, x_2^{(i)}]^\top`\ ,其对应的标签是
:math:`y^{(i)}`\ 。
.. _subsec_linear_model:
线性模型
~~~~~~~~
线性假设是指目标(房屋价格)可以表示为特征(面积和房龄)的加权和,如下面的式子:
.. math:: \mathrm{price} = w_{\mathrm{area}} \cdot \mathrm{area} + w_{\mathrm{age}} \cdot \mathrm{age} + b.
:label: eq_price-area
:eq:`eq_price-area` 中的\ :math:`w_{\mathrm{area}}` 和
:math:`w_{\mathrm{age}}` 称为 *权重*\ (weight),\ :math:`b` 称为
*偏置*\ (bias),或称为\ *偏移量*\ (offset)、\ *截距*\ (intercept)。权重决定了每个特征对我们预测值的影响。偏置是指当所有特征都取值为0时,预测值应该为多少。即使现实中不会有任何房子的面积是0或房龄正好是0年,我们仍然需要偏置项。如果没有偏置项,我们模型的表达能力将受到限制。严格来说,
:eq:`eq_price-area` 是输入特征的一个\ *仿射变换*\ (affine
transformation)。仿射变换的特点是通过加权和对特征进行\ *线性变换*\ (linear
transformation),并通过偏置项来进行\ *平移*\ (translation)。
给定一个数据集,我们的目标是寻找模型的权重 :math:`\mathbf{w}` 和偏置
:math:`b`\ ,使得根据模型做出的预测大体符合数据里的真实价格。输出的预测值由输入特征通过\ *线性模型*\ 的仿射变换决定,仿射变换由所选权重和偏置确定。
有些学科往往只关注有少量特征的数据集。在这些学科中,建模时经常像这样通过长形式显式地表达。而在机器学习领域,我们通常使用的是高维数据集,建模时采用线性代数表示法会比较方便。当我们的输入包含
:math:`d` 个特征时,我们将预测结果 :math:`\hat{y}`\ (通常使用 “尖角”
符号表示估计值)表示为:
.. math:: \hat{y} = w_1 x_1 + ... + w_d x_d + b.
将所有特征放到向量 :math:`\mathbf{x} \in \mathbb{R}^d`
中,并将所有权重放到向量 :math:`\mathbf{w} \in \mathbb{R}^d`
中,我们可以用点积形式来简洁地表达模型:
.. math:: \hat{y} = \mathbf{w}^\top \mathbf{x} + b.
:label: eq_linreg-y
在 :eq:`eq_linreg-y` 中,向量 :math:`\mathbf{x}`
对应于单个数据样本的特征。用符号表示的矩阵
:math:`\mathbf{X} \in \mathbb{R}^{n \times d}`
可以很方便地引用我们整个数据集的 :math:`n`
个样本。其中,\ :math:`\mathbf{X}`
的每一行是一个样本,每一列是一种特征。
对于特征集合 :math:`\mathbf{X}` ,预测值
:math:`\hat{\mathbf{y}} \in \mathbb{R}^n` 可以通过矩阵-向量乘法表示为:
.. math:: {\hat{\mathbf{y}}} = \mathbf{X} \mathbf{w} + b
这个过程中的求和将使用广播机制(广播机制在
:numref:`subsec_broadcasting` 中有详细介绍)。 给定训练数据特征
:math:`\mathbf{X}` 和对应的已知标签 :math:`\mathbf{y}`
,线性回归的目标是找到一组权重向量 :math:`\mathbf{w}` 和偏置
:math:`b`\ 。当给定从\ :math:`\mathbf{X}`\ 的同分布中取样的新样本特征时,找到的权重向量和偏置能够使得新样本预测标签的误差尽可能小。
虽然我们相信给定 :math:`\mathbf{x}` 预测 :math:`y`
的最佳模型会是线性的,但我们很难找到一个有\ :math:`n`\ 个样本的真实数据集,其中对于所有的
:math:`1 \leq i \leq n`\ , :math:`y^{(i)}` 完全等于
:math:`\mathbf{w}^\top \mathbf{x}^{(i)}+b`\ 。无论我们使用什么手段来观察特征
:math:`\mathbf{X}` 和标签 :math:`\mathbf{y}`
,都可能会出现少量的观测误差。因此,即使确信特征与标签的潜在关系是线性的,我们也会加入一个噪声项来考虑观测误差带来的影响。
在我们开始寻找最好的 *模型参数*\ (model
parameters)\ :math:`\mathbf{w}` 和 :math:`b`
之前,我们还需要两个东西:(1)一种模型质量的度量方式;(2)一种能够更新模型以提高模型预测质量的方法。
损失函数
~~~~~~~~
在我们开始考虑如何用模型\ *拟合*\ (fit)数据之前,我们需要确定一个拟合程度的度量。\ *损失函数*
能够量化目标的\ *实际*\ 值与\ *预测*
值之间的差距。通常我们会选择非负数作为损失,且数值越小表示损失越小,完美预测时的损失为0。回归问题中最常用的损失函数是平方误差函数。当样本
:math:`i` 的预测值为 :math:`\hat{y}^{(i)}`\ ,其相应的真实标签为
:math:`y^{(i)}` 时,平方误差可以定义为以下公式:
.. math:: l^{(i)}(\mathbf{w}, b) = \frac{1}{2} \left(\hat{y}^{(i)} - y^{(i)}\right)^2.
常数\ :math:`\frac{1}{2}`\ 不会带来本质的差别,但这样在形式上稍微简单一些,表现为当我们对损失函数求导后常数系数为1。由于训练数据集并不受我们控制,所以经验误差只是关于模型参数的函数。为了进一步说明,来看下面的例子。我们为一维情况下的回归问题绘制图像,如
:numref:`fig_fit_linreg` 所示。
|用线性模型拟合数据。| .. _fig_fit_linreg:
由于平方误差函数中的二次方项,估计值 :math:`\hat{y}^{(i)}` 和观测值
:math:`y^{(i)}`
之间较大的差异将贡献更大的损失。为了度量模型在整个数据集上的质量,我们需计算在训练集\ :math:`n`\ 个样本上的损失均值(也等价于求和)。
.. math:: L(\mathbf{w}, b) =\frac{1}{n}\sum_{i=1}^n l^{(i)}(\mathbf{w}, b) =\frac{1}{n} \sum_{i=1}^n \frac{1}{2}\left(\mathbf{w}^\top \mathbf{x}^{(i)} + b - y^{(i)}\right)^2.
在训练模型时,我们希望寻找一组参数
(:math:`\mathbf{w}^*, b^*`),这组参数能最小化在所有训练样本上的总损失。如下式:
.. math:: \mathbf{w}^*, b^* = \operatorname*{argmin}_{\mathbf{w}, b}\ L(\mathbf{w}, b).
解析解
~~~~~~
线性回归刚好是一个很简单的优化问题。与我们将在本书中所讲到的其他大部分模型不同,线性回归的解可以用一个公式简单地表达出来,这类解叫作解析解(analytical
solution)。首先,我们将偏置 :math:`b` 合并到参数 :math:`\mathbf{w}`
中。合并方法是在包含所有参数的矩阵中附加一列。我们的预测问题是最小化
:math:`\|\mathbf{y} - \mathbf{X}\mathbf{w}\|^2`\ 。这在损失平面上只有一个临界点,这个临界点对应于整个区域的损失最小值。将损失关于\ :math:`\mathbf{w}`\ 的导数设为0,得到解析解(闭合形式):
.. math:: \mathbf{w}^* = (\mathbf X^\top \mathbf X)^{-1}\mathbf X^\top \mathbf{y}.
像线性回归这样的简单问题存在解析解,但并不是所有的问题都存在解析解。解析解可以进行很好的数学分析,但解析解的限制很严格,导致它无法应用在深度学习里。
小批量随机梯度下降
~~~~~~~~~~~~~~~~~~
即使在我们无法得到解析解的情况下,我们仍然可以有效地训练模型。在许多任务上,那些难以优化的模型效果要更好。因此,弄清楚如何训练这些难以优化的模型是非常重要的。
本书中我们用到一种名为\ *梯度下降*\ (gradient
descent)的方法,这种方法几乎可以优化所有深度学习模型。它通过不断地在损失函数递减的方向上更新参数来降低误差。
梯度下降最简单的用法是计算损失函数(数据集中所有样本的损失均值)关于模型参数的导数(在这里也可以称为梯度)。但实际中的执行可能会非常慢:因为在每一次更新参数之前,我们必须遍历整个数据集。因此,我们通常会在每次需要计算更新的时候随机抽取一小批样本,这种变体叫做\ *小批量随机梯度下降*\ (minibatch
stochastic gradient descent)。
在每次迭代中,我们首先随机抽样一个小批量\ :math:`\mathcal{B}`\ ,它是由固定数量的训练样本组成的。然后,我们计算小批量的平均损失关于模型参数的导数(也可以称为梯度)。最后,我们将梯度乘以一个预先确定的正数\ :math:`\eta`\ ,并从当前参数的值中减掉。
我们用下面的数学公式来表示这一更新过程(\ :math:`\partial`
表示偏导数):
.. math:: (\mathbf{w},b) \leftarrow (\mathbf{w},b) - \frac{\eta}{|\mathcal{B}|} \sum_{i \in \mathcal{B}} \partial_{(\mathbf{w},b)} l^{(i)}(\mathbf{w},b).
总结一下,算法的步骤如下:(1)初始化模型参数的值,如随机初始化;(2)从数据集中随机抽取小批量样本且在负梯度的方向上更新参数,并不断迭代这一步骤。对于平方损失和仿射变换,我们可以明确地写成如下形式:
.. math:: \begin{aligned} \mathbf{w} &\leftarrow \mathbf{w} - \frac{\eta}{|\mathcal{B}|} \sum_{i \in \mathcal{B}} \partial_{\mathbf{w}} l^{(i)}(\mathbf{w}, b) = \mathbf{w} - \frac{\eta}{|\mathcal{B}|} \sum_{i \in \mathcal{B}} \mathbf{x}^{(i)} \left(\mathbf{w}^\top \mathbf{x}^{(i)} + b - y^{(i)}\right),\\ b &\leftarrow b - \frac{\eta}{|\mathcal{B}|} \sum_{i \in \mathcal{B}} \partial_b l^{(i)}(\mathbf{w}, b) = b - \frac{\eta}{|\mathcal{B}|} \sum_{i \in \mathcal{B}} \left(\mathbf{w}^\top \mathbf{x}^{(i)} + b - y^{(i)}\right). \end{aligned}
:label: eq_linreg_batch_update
公式 :eq:`eq_linreg_batch_update` 中的\ :math:`\mathbf{w}` 和
:math:`\mathbf{x}` 都是向量。在这里,更优雅的向量表示法比系数表示法(如
:math:`w_1, w_2, \ldots, w_d`\ )更具可读性。 :math:`|\mathcal{B}|`
表示每个小批量中的样本数,这也称为\ *批量大小*\ (batch
size)。\ :math:`\eta` 表示 *学习率*\ (learning
rate)。批量大小和学习率的值通常是手动预先指定,而不是通过模型训练得到的。这些可以调整但不在训练过程中更新的参数称为
*超参数*\ (hyperparameter)。 *调参*\ (hyperparameter tuning)
是选择超参数的过程。超参数通常是我们根据训练迭代结果来调整的,而训练迭代结果是在独立的\ *验证数据集*\ (validation
dataset)上评估得到的。
在训练了预先确定的若干迭代次数后(或者直到满足某些其他停止条件后),我们记录下模型参数的估计值,表示为\ :math:`\hat{\mathbf{w}}, \hat{b}`\ 。但是,即使我们的函数确实是线性的且无噪声,这些估计值也不会使损失函数真正地达到最小值。因为算法会使得损失向最小值缓慢收敛,但却不能在有限的步数内非常精确地达到最小值。
线性回归恰好是一个在整个域中只有一个最小值的学习问题。但是对于像深度神经网络这样复杂的模型来说,损失平面上通常包含多个最小值。幸运的是,出于某种原因,深度学习实践者很少会去花费大力气寻找这样一组参数,使得在
*训练集*
上的损失达到最小。事实上,更难做到的是找到一组参数,这组参数能够在我们从未见过的数据上实现较低的损失,这一挑战被称为
*泛化*\ (generalization)。
用学习到的模型进行预测
~~~~~~~~~~~~~~~~~~~~~~
给定学习到的线性回归模型
:math:`\hat{\mathbf{w}}^\top \mathbf{x} + \hat{b}`\ ,现在我们可以通过给定的房屋面积
:math:`x_1` 和房龄
:math:`x_2`\ 来估计一个未包含在训练数据中的新房屋价格。给定特征估计目标的过程通常称为\ *预测*\ (prediction)或\ *推断*\ (inference)。
我们将尝试坚持使用\ *预测*\ 这个词。虽然\ *推断*\ 这个词已经成为深度学习的标准术语,但其实\ *推断*\ 这个词有些用词不当。在统计学中,\ *推断*\ 更多地表示基于数据集估计参数。当深度学习从业者与统计学家交谈时,术语的误用经常导致一些误解。
矢量化加速
----------
在训练我们的模型时,我们经常希望能够同时处理整个小批量的样本。为了实现这一点,需要我们对计算进行矢量化,从而利用线性代数库,而不是在Java中编写开销高昂的for循环。
为了说明矢量化为什么如此重要,我们考虑(对向量相加的两种方法)。
我们实例化两个全1的10000维向量。在一种方法中,我们将使用Java的for循环遍历向量。在另一种方法中,我们将使
``NDArray.add()`` 函数的调用。
由于在本书中我们将频繁地进行运行时间的基准测试,所以我们定义一个计时器类:\ ``StopWatch``\ 。为了避免重复,我们把这些常用的类库打包在
``utils`` 目录下,然后用\ ``%load``\ 加载到 Jupyter 中。
.. |用线性模型拟合数据。| image:: https://zh-v2.d2l.ai/_images/fit-linreg.svg
.. code:: java
%load ../utils/djl-imports
%load ../utils/plot-utils
%load ../utils/StopWatch.java
.. code:: java
import java.util.stream.*;
.. code:: java
int n = 10000;
NDManager manager = NDManager.newBaseManager();
NDArray a = manager.ones(new Shape(n));
NDArray b = manager.ones(new Shape(n));
现在我们可以对工作负载进行基准测试。首先,我们使用for循环,每次执行一位的加法。
.. code:: java
NDArray c = manager.zeros(new Shape(n));
StopWatch stopWatch = new StopWatch();
for (int i = 0; i < n; i++) {
c.set(new NDIndex(i), a.getFloat(i) + b.getFloat(i));
}
String.format("%.5f sec", stopWatch.stop());
.. parsed-literal::
:class: output
6.76111 sec
接下来,我们使用 ``NDArray.add()`` 运算符来计算按元素的和。
.. code:: java
stopWatch.start();
NDArray d = a.add(b);
String.format("%.5f sec", stopWatch.stop());
.. parsed-literal::
:class: output
0.05493 sec
结果很明显,第二种方法比第一种方法快得多。矢量化代码通常会带来数量级的加速。另外,我们将更多的数学运算放到库中,而无需自己编写那么多的计算,从而减少了出错的可能性。
.. _subsec_normal_distribution_and_squared_loss:
正态分布与平方损失
------------------
接下来,我们通过对噪声分布的假设来解读平方损失目标函数。
正态分布(normal distribution),也称为 *高斯分布*\ (Gaussian
distribution),最早由德国数学家高斯(Gauss)应用于天文学研究。
正态分布和线性回归之间的关系很密切。 简单的说,若随机变量 :math:`x`
具有均值 :math:`\mu` 和方差 :math:`\sigma^2`\ (标准差
:math:`\sigma`\ ),其正态分布概率密度函数如下:
.. math:: p(x) = \frac{1}{\sqrt{2 \pi \sigma^2}} \exp\left(-\frac{1}{2 \sigma^2} (x - \mu)^2\right).
下面我们定义一个Java函数来计算正态分布。
.. code:: java
public float[] normal(float[] z, float mu, float sigma) {
float[] dist = new float[z.length];
for (int i = 0; i < z.length; i++) {
float p = 1.0f / (float) Math.sqrt(2 * Math.PI * sigma * sigma);
dist[i] = p * (float) Math.pow(Math.E, -0.5 / (sigma * sigma) * (z[i] - mu) * (z[i] - mu));
}
return dist;
}
我们现在可视化正态分布。
.. code:: java
int start = -7;
int end = 14;
float step = 0.01f;
int count = (int) (end / step);
float[] x = new float[count];
for (int i = 0; i < count; i++) {
x[i] = start + i * step;
}
.. code:: java
import org.apache.commons.lang3.ArrayUtils;
public float[] combine3(float[] x, float[] y, float[] z) {
return ArrayUtils.addAll(ArrayUtils.addAll(x, y), z);
}
.. code:: java
float[] y1 = normal(x, 0, 1);
float[] y2 = normal(x, 0, 2);
float[] y3 = normal(x, 3, 1);
String[] params = new String[x.length * 3];
Arrays.fill(params, 0, x.length, "mean 0, var 1");
Arrays.fill(params, x.length, x.length * 2, "mean 0, var 2");
Arrays.fill(params, x.length * 2, x.length * 3, "mean 3, var 1");
Table normalDistributions = Table.create("normal")
.addColumns(
FloatColumn.create("z", combine3(x, x, x)),
FloatColumn.create("p(z)", combine3(y1, y2, y3)),
StringColumn.create("params", params)
);
LinePlot.create("Normal Distributions", normalDistributions, "z", "p(z)", "params");
.. raw:: html