山东大学机器学习（实验一解读）——线性回归

网上关于线性回归的介绍已经很详细，结合课堂老师所讲的内容，下面是我个人的实验所做的内容，老师大部分实验都是斯坦福上的，不过要自己理解和学习需要自己实现其实也不难。我会以matlab代码形式展示给大家，希望对你们有帮助，有错误还望大家指正。

1. 2D线性回归

• 2D线性线性回归模型
  $$h_{\theta }(x)={\theta }^{T}x=\sum _{i=0}^1{\theta }_i{x}_i={\theta }_0+{\theta }_1{x}_1$$
• 梯度下降算法
  注意你选择的是梯度下降算法还是随机梯度下降算法，这两者是有区别的，具体的可以自行百度，我使用的是梯度下降算法。

• 实验内容
  （1）使用$\alpha =0.07$的学习率实施梯度下降。初始化参数$\theta =0(i.e.,{\theta }_0={\theta }_1=0)$,并从该初始起点开始一次梯度下降迭代。 记录第一次迭代后得到的${\theta }_0$和${\theta }_1$的值。

x = load('ex1_1x.dat');
y = load('ex1_1y.dat');

m = length(y) ; % store the number of training examples
x = [ones(m,1),x] ; % Add a column of ones to x
alpha = 0.07; %learning rate
%initial theta
theta0 = 0;
theta1 = 0;

%after one iteration
theta0 = theta0 - alpha*(1/m)*sum((theta0.*x(:,1)+theta1.*x(:,2)- y).*x(:,1));
theta1 = theta1 - alpha*(1/m)*sum((theta0.*x(:,1)+theta1.*x(:,2)- y).*x(:,2));

结果：${\theta }_0=0.0745,{\theta }_1=0.3543$

（2）继续运行梯度下降以进行更多迭代，直到$\theta$收敛为止(这将总共需要大约1500次迭代）。收敛后，记录你得到的最终值${\theta }_0$和${\theta }_1$,根据$\theta$,将你的算法中的直线绘制在与训练数据相同的图表上。

x = load('ex1_1x.dat');
y = load('ex1_1y.dat');

figure % open a new figure window
plot (x , y , ' o ' );
ylabel ( ' Height in meters ' );
xlabel ( 'Age in years ' );

m = length(y) ; % store the number of training examples
x = [ones(m,1),x] ; % Add a column of ones to x
alpha = 0.07; %learning rate

theta0(1,1) = 0;
theta1(1,1) = 0;
maxIter = 1500;  %max iteration
tol = 1e-8;

for i = 1:maxIter
    theta0(i+1,1) = theta0(i,1) - alpha*(1/m)*sum((theta0(i,1).*x(:,1)+theta1(i,1).*x(:,2)- y).*x(:,1));
    theta1(i+1,1) = theta1(i,1) - alpha*(1/m)*sum((theta0(i,1).*x(:,1)+theta1(i,1).*x(:,2)- y).*x(:,2));
    theta_before = [theta0(i,1);theta1(i,1)];
    theta_now = [theta0(i+1,1);theta1(i+1,1)];
    J_before = (0.5/m)*sum(x*theta_before - y);
    J_now = (0.5/m)*sum(x*theta_now - y);
    if abs(J_now - J_before) < tol
        break;
    end
end
hold on;
plot( x(:,2),theta0(i+1,1) + x(:,2)*theta1(i+1,1),'-');
legend( ' Training data ' , ' Linear regression ' );

结果：${\theta }_0=0.7501,{\theta }_1=0.0639$，迭代次数取决于你的阈值tol。
绘制图像如下：

（3）最后，我们想使用学到的假设做出一些预测。使用您的模型预测两个3.5岁和7岁男孩的身高。

3.5岁：${\theta }_0+3.5{\theta }_1=0.7501+3.5\times 0.0639=0.9738\approx 1.0$m
7岁：${\theta }_0+7{\theta }_1=0.7500+3.5\times 0.0639=1.1973\approx 1.2$m

2. 理解$J(\theta )$

J_vals = zeros (100 , 100) ; % initialize Jvals to
							 % 100*100 matrix of 0's
theta0_vals = linspace (-3 , 3 , 100) ;
theta1_vals = linspace (-1 , 1 , 100) ;
% 对于linespace(x1,x2,N)，其中x1、x2、N分别为起始值、终止值、元素个数。
for i = 1 : length (theta0_vals)
	for j = 1 : length (theta1_vals )
		t = [theta0_vals(i); theta1_vals(j)] ;
		J_vals(i,j) = (0.5/m)*(x*t-y)'*(x*t-y);
	end
end
J_vals = J_vals'; %转置
figure ;
surf(theta0_vals,theta1_vals,J_vals);
xlabel ('\theta_0 ');ylabel('\theta_1');

绘制图片如下：

3. 多元线性回归

%-----------------函数func.m----------------------
function [theta,J] = func(alpha)
    x = load('ex1_2x.dat');
    y = load('ex1_2y.dat');
    m = length(y); 
    x = [ones(m,1),x]; 
    
    %数据标准化，减少迭代次数，加快梯度下降速度
    sigma = std(x);
    mu = mean(x);
    x(:,2) = (x(:,2) - mu(2))./sigma(2);
    x(:,3) = (x(:,3) - mu(3))./sigma(3);

    theta = zeros(size(x(1,:)))'; %初始化theta 
    J = zeros(50,1); %初始代价矩阵
    for i = 1:50
        h = x * theta; %拟合函数
        E = h - y;
        J(i,1) = (0.5/m)*(E'*E);
        theta = theta - (alpha/m)*x'*E;
    end
end
%-----------------exp1_3.m----------------------
alpha = [0.12,0.15,0.18];
data = load('ex1_2x.dat');
store_theta = zeros(size(alpha,2),size(data,2)+1);
for i = 1:length(alpha)
    [theta,J] = func(alpha(i));
    store_theta(i,:) = theta;
    plot(1:50,J);
    hold on;
end
xlabel('Number of iteration');
ylabel('Cost J');
legend( '\alpha_0 = 0.12' , '\alpha_1 = 0.15' , '\alpha_2 = 0.18');
    

\quad\quad 注意，不同的学习率$\alpha$所绘制的图片会有所不同，得到的最终$\theta$也会有所不同。这个只是一个样例代码，你可以根据自身情况选择学习率，另外注意的是最终得到的$\theta$拿来预测房价时是数据标准化后的房价，需要还原回去才会得到我们最终真实的房价。
\quad\quad 选择的学习率过小，收敛速度会比较慢。学习率过大，有可能导致代价函数错过最优解，从图像中我们会发现代价函数呈现出指数性增长，不断远离最优点。(你可以在代码中改动$\alpha$值观察)