Andrew Ng机器学习公开课笔记 -- Generative Learning algorithms
网易公开课,第5课
notes,http://cs229.stanford.edu/notes/cs229-notes2.pdf
学习算法有两种,一种是前面一直看到的,直接对p(y|x; θ)进行建模,比如前面说的线性回归或逻辑回归,这种称为判别学习算法(discriminative learning algorithms)
另外一种思路,就是这里要谈的,称为生成学习算法(generative learning algorithms),区别在于不会直接对p(y|x; θ)进行建模,而是对p(x|y) (and p(y))进行建模,然后用bayes定理算出p(y|x)
不像判别方法,给定x就能通过训练的模型算出结果
比如逻辑回归中,通过
而生成学习算法的思路是这样的,由于需要对p(x|y)进行建模,x是连续的,但对于分类问题y是离散的,比如取值0或1
我们做的是,分别对每种y的情况进行建模,比如判断垃圾邮件,那么分别对垃圾和正常邮件进行建模,得到
p(x|y = 0) models 和 p(x|y = 1) models
而p(y) (called the class priors)往往是比较容易算出的
当来一个新的x时,需要计算每个y的p(y|x),并且取概率最大的那个y
这里由于只需要比较大小,p(x)对于大家都是一样的,不需要算
所以对于任意生成学习算法,关键就是要学习出
p(x|y = 0) models 和 p(x|y = 1) models
Gaussian discriminant analysis
首先学习的一个生成算法就是GDA,高斯判别分析
不解为何生成算法要叫判别。。。
多项高斯分布
对于这个算法,首先要假设p(x|y)符合多项高斯分布(multivariate normal distribution),区别于一般的高斯分布,参数μ是一维的,而多项高斯分布参数是n维的
其中, ,mean vector,是个n维的向量
,covariance matrix,是个n×n的矩阵
关于这个分布,课件里面讲的很详细,还有很多图,参考课件吧
其实只要知道这个分布也是一个bell-shape curve,μ会影响bell的位置(平移)
而covariance matrix会影响bell的高矮,扁圆的形状
The Gaussian Discriminant Analysis model
继续讲这个模型
前面说了对于生成学习算法,关键就是要找出p(x|y = 0),p(x|y = 1)和p(y)
好理解吗,y取值0或1,一定是伯努利分布,而p(x|y)根据前面假设一定是符合多项高斯分布,所以有
现在问题是要根据训练集,学习出
怎么学?最大似然估计
这里和判别学习算法不同,
判别学习算法,对p(y|x; θ)进行建模,所以称为conditional似然估计
而生成学习算法,是对于p(x|y)*p(y),即p(x,y)进行建模,所以称为joint似然估计
使用最优化算法计算maximizing ℓ,得到参数如下(计算过程略去)
虽然没有写计算过程,但是得到的这个结果是reasonable的
φ就是y=1的概率,算出的结果就是在训练集中y=1的比例
μ0,μ1,结果是训练集中y=0(或y=1)时x的均值,都很合理
计算出这些参数,我们就得到p(x|y = 0),p(x|y = 1)和p(y),然后可以使用上面的方法就行预测
Discussion: GDA and logistic regression
这里有个很有趣的结论
We just argued that if p(x|y) is multivariate gaussian (with shared ), then p(y|x) necessarily follows a logistic function. The converse, however, is not true;
当p(x|y)满足multivariate gaussian的时候,p(y|x)一定是logistic function,但反之不成立。
使用视频中的截图,更容易理解
图中,叉表示y=0的点,圈表示y=1的点
所以对于y=0和y=1分别建模,就得到两边的两个bell-shaped的高斯曲线
这时如果要画出p(y=1|x),就得到中间的sigmod曲线
越靠左y=1的概率越小,越靠右y=1的概率越接近1,在中间两个曲线交界的地方,y=1的概率为0.5
非常形象的说明为什么p(y|x)会是一个logistic function
更酷的是,这个结论可以推广到任何指数族分布,即任何广义线性模型的分布
那么这里产生的问题就是,我们为什么需要GDA,直接使用逻辑回归不可以吗?
两者区别在于,
GDA比逻辑回归做出更强的假设,因为前面的结论是不可逆的
所以当数据p(x|y)确实或近似符合高斯分布时,GDA更有效,并且需要更少的训练数据就可以达到很好的效果
但是在实际中,其实你很难确定这点,
这时逻辑回归有更好的鲁棒性,比如如果p(x|y)符合泊松分布,而你误认为符合高斯分布,而使用GDA,那么效果就会不太好
而逻辑回归,对数据做出的假设比较少,只要p(x|y)指数族分布,都会有比较好的效果,当然逻辑回归需要的训练数据也是比较多的
这里其实就是一个balance
模型假设强弱和训练数据量之间的权衡
如果你明确知道符合高斯分布,那么用比较少的训练数据,使用GDA就很好
如果不确定,就使用逻辑回归,用比较多的训练数据
本文章摘自博客园,原文发布日期:2014-04-08
使用Databricks+Mlflow进行机器学习模型的训练和部署【Databricks 数据洞察公开课】 介绍如何使用Databricks和MLflow搭建机器学习生命周期管理平台,实现从数据准备、模型训练、参数和性能指标追踪、以及模型部署的全流程。
开发者入门必读:最值得看的十大机器学习公开课 在当下的机器学习热潮,人才匮乏十分显著。截至目前,国内开设人工智能(AI)专业的高校不多,相当多的开发者是跨界入门,需要自学大量知识并摸索。因而优质的学习资源至关重要。因此,雷锋网搜集了全世界范围内最受欢迎的机器学习课程,整理成这份“机器学习十大入门公开课”盘点,集中呈现给各位。
相关文章
- Coursera台大机器学习技法课程笔记15-Matrix Factorization
- Coursera台大机器学习技法课程笔记01-linear hard SVM
- 机器学习笔记 PyTorch2.0中的新功能概览
- 机器学习笔记 - 用于颜值评分的数据集和算法
- 机器学习笔记 - 范数
- 机器学习笔记 - 矩阵乘法
- 机器学习笔记 - 基于keras的Simple RNN训练时间序列数据
- 机器学习笔记 - MediaPipe了解 + 结合OpenCV进行人体姿势估计
- 机器学习笔记 - 使用dlib进行训练对猫脸进行识别
- 机器学习笔记 - 模式识别的应用场景之一简单车牌识别
- 机器学习笔记 - 基于Torch Hub和YOLOv5和SSD的目标检测
- 机器学习笔记 - 使用pytorch + yolov5训练自定义数据集
- 机器学习笔记 - YOLOv7 论文简述与推理
- 机器学习笔记 - 循环神经网络备忘清单
- 机器学习笔记 - 深度学习调查
- 机器学习笔记 - 什么是图注意力网络?
- 机器学习笔记 - 什么是稀疏矩阵?
- 机器学习笔记 - 使用ARIMA模型时间序列预测
- 机器学习笔记 - 使用python代码实现易于理解的反向传播
- 机器学习笔记 - 目标检测网络CenterNet
- 机器学习笔记 - tensorFlow的estimator和keras API
- 机器学习笔记 - python学习记录一
- 机器学习笔记 - win10安装tensorflow-gpu.2.2 + Cuda10+cudnn7.6.5
- 【华为云分享】机器学习笔记(七) ---- 贝叶斯分类
- 机器学习笔记第1章【机器学习导论】