1
雷锋网按:本文作者为 Jahnavi Mahanta,前 American Express (美国运通公司)资深机器学习工程师、深度学习在线教育网站 Deeplearningtrack 联合创始人。
Jahnavi Mahanta:对算法的作用建立直觉性的理解——在我刚入门机器学习的时候,这让我觉得非常困难。不仅仅是因为理解数学理论和符号本身不容易,也因为它很无聊。我到线上教程里找办法,但里面只有公式或高级别的解释,在大多数情况下并不会深入细节。
就在那时,一名数据科学同事介绍给我一个新办法——用 Excel 表格来实现算法,该方法让我拍案叫绝。后来,不论是任何算法,我会试着小规模地在 Excel 上学习它——相信我,对于提升你对该算法的理解、完全领会它的数学美感,这个法子简直是奇迹。
让我用一个例子向各位解释。
大多数数据科学算法是优化问题。而这方面最常使用的算法是梯度下降。
或许梯度下降听起来很玄,但读完这篇文章之后,你对它的感觉大概会改变。
这里用住宅价格预测问题作为例子。
现在,有了历史住宅数据,我们需要创建一个模型,给定一个新住宅的面积能预测其价格。
任务:对于一个新房子,给定面积 X,价格 Y 是多少?
让我们从绘制历史住宅数据开始。
现在,我们会用一个简单的线性模型,用一条线来匹配历史数据,根据面积 X 来预测新住宅的价格 Ypred。
上图中,红线给出了不同面积下的预测价格 Ypred。
Ypred = a+bX
蓝线是来自历史数据的实际住宅价格 Yactual。
Yactual 和 Ypred 之间的差距,即黄色虚线,是预测误差 E。
我们需要发现一条使权重 a,b 获得最优值的直线,通过降低预测误差、提高预测精度,实现对历史数据的最佳匹配。
所以,目标是找到最优 a, b,使 Yactual 和 Ypred 之间的误差 E 最小化。
误差的平方和 (SSE) = ½ a (实际价格 – 预测价格)2= ½ a(Y – Ypred)2
(雷锋网提醒,请注意衡量误差的方法不止一种,这只是其中一个)
这时便是梯度下降登场的时候。梯度下降是一种优化算法,能找到降低预测误差的最优权重 (a,b) 。
现在,我们一步步来理解梯度下降算法:
用随机值和计算误差(SSE)初始化权重 a 和 b。
计算梯度,即当权重(a & b)从随机初始值发生小幅增减时,SSE 的变动。这帮助我们把 a & b 的值,向着最小化 SSE 的方向移动。
用梯度调整权重,达到最优值,使 SSE 最小化。
使用新权重来做预测,计算新 SSE。
重复第二、第三步,直到对权重的调整不再能有效降低误差。
我在 Excel 上进行了上述每一步,但在查看之前,我们首先要把数据标准化,因为这让优化过程更快。
用随机值的 a、b 初始化直线 Ypred = a + b X,计算预测误差 SSE。
计算不同权重的误差梯度。
∂SSE/∂a = – (Y-YP)
∂SSE/∂b = – (Y-YP)X
这里, SSE=½ (Y-YP)2 = ½(Y-(a+bX))2
你需要懂一点微积分,但没有别的要求了。
∂SSE/∂a、∂SSE/∂b 是梯度,它们基于 SSE 给出 a、b 移动的方向。
用梯度调整权重,达到最小化 SSE 的最优值
我们需要更新 a、b 的随机值,来让我们朝着最优 a、b 的方向移动。
更新规则:
a – ∂SSE/∂a
b – ∂SSE/∂b
因此:
新的 a = a – r * ∂SSE/∂a = 0.45-0.01*3.300 = 0.42
新的 b = b – r * ∂SSE/∂b= 0.75-0.01*1.545 = 0.73
这里,r 是学习率= 0.01, 是权重调整的速率。
使用新的 a、b 做预测,计算总的 SSE。
你可以看到,在新预测上 总的 SSE 从 0.677 降到了 0.553。这意味着预测精度在提升。
重复第三、第四步直到对 a、b 的调整无法有效降低误差。这时,我们已经达到了最优 a、b,以及最高的预测精度。
这便是梯度下降算法。该优化算法以及它的变种是许多机器学习算法的核心,比如深度网络甚至是深度学习。
via kdnuggets,雷锋网编译。
相关文章:
雷峰网版权文章,未经授权禁止转载。详情见转载须知。