读这篇文章有感。
我来总结一下，便于记忆。
- 最小二乘法（Least Square Method）适用于二维空间，用直线 y=ax+b 对二维空间（平面）的数据进行拟合。将true label与直线评测出的值的偏差的平方和作为最小条件来选择参数a，b。
- 线性回归（Linear Regression）将最小二乘法拓展到多维空间，用超平面 y=Wx+b 对多维空间的数据进行拟合。 与最小二乘法类似，将true label与超平面评测出的值的偏差的平方和作为最小条件来选择参数W，b。
- 逻辑回归（Logistics Regression）仅仅是在线性回归模型外面加了一层映射函数（sigmoid函数）。逻辑回归其实是一种分类模型!
sigmoid函数其中，z=Wx+b(线性回归模型)，若z很大，则f(z) ≈1；若z很小，则f(z)≈0。
二分类问题中使用sigmoid函数，多分类问题中使用softmax函数。
逻辑回归模型详解
逻辑回归模型的成本函数推导：
可以看到，此处用了交叉熵损失函数来作为成本函数。
那么为什么使用交叉熵而不是二次代价函数（最小二乘法）来定义呢？
原因如下：
-
为什么不用二次代价函数？
- 对于多元函数，由于变量过多，用最小二乘法定义的成本函数（损失函数）并不是在整个集合上都是凸函数，很难进行优化。
- 由于逻辑回归模型使用了sigmoid函数作为激活函数，根据sigmoid函数的性质，函数值趋近于0和1的时候梯度值过小，会导致在后续梯度下降算法中参数收敛速度过慢。
-
为什么用交叉熵损失函数？
- 交叉熵代价函数的两个性质
- 非负性（所以我们的目标就是最小化代价函数）
- 当true label与预测值接近时，代价函数接近于0
- 可以克服二次代价函数更新过慢的问题。根据梯度下降算法可知，当误差大的时候参数更新越快；误差小的时候参数更新越慢。
- 交叉熵代价函数的两个性质
优化算法（成本函数最小化方法）：
采用随机梯度下降方法来最小化交叉熵成本函数。
梯度下降（Gradient Descent）：朝着梯度的反方向迭代地调整参数直到收敛。
Note：
梯度下降的几何意义描述：梯度下降实际上是一个“下坡”的过程。在每一个点上，我们希望往下走一步（假设一步为固定值0.5米），使得下降的高度最大，那么我们就要选择坡度变化率最大的方向往下走，这个方向就是成本函数在这一点梯度的反方向。每走一步，我们都要重新计算函数在当前点的梯度，然后选择梯度的反方向作为走下去的方向。随着每一步迭代，梯度不断地减小，到最后减小为零。
梯度的反方向是函数值下降最快的方向，故用梯度下降法寻找局部最小值，梯度的方向是函数值上升最快的方向，故用梯度上升法寻找局部最大值。
梯度下降图解：
参数的更新公式为
梯度下降法详解
随机梯度下降（Stochastic Gradient Descent）：
最小化每条样本的损失函数。优点：收敛速度快。虽然不是每次迭代得到的损失函数都向着全局最优方向， 但是大的整体的方向是向全局最优解的，最终的结果往往是在全局最优解附近。
缺点：因为计算得到的并不是准确的一个梯度，容易陷入到局部最优解中。
批量梯度下降（Batch Gradient Descent）
最小化所有训练样本的损失函数，使得最终求解的是全局的最优解，即求解的参数是使得风险函数最小。优点：得到的是一个全局最优解
缺点：每迭代一步，都要用到训练集所有的数据，如果数据集很大，这种方法的迭代速度会很慢。
对比： 随机梯度下降是通过每个样本来迭代更新一次，如果样本量很大的情况（例如几十万），那么可能只用其中几万条或者几千条的样本，就已经将theta迭代到最优解了，对比批量梯度下降，迭代一次需要用到几十万训练样本，一次迭代不可能最优，如果迭代10次的话就需要遍历训练样本10次。但是，SGD伴随的一个问题是噪音较BGD要多，使得SGD并不是每次迭代都向着整体最优化方向。
Mini-batch梯度下降
这是介于BSD和SGD之间的一种优化算法。每次选取一定量的训练样本进行迭代。此算法是将批量梯度下降法中m替换成mini-batch，将mini-bach的size设置为远小于m的大小。
在吴恩达的机器学习课程中讲到可以将m使用b来代替，循环m/b次直到收敛或是循环次数达到。优点：得到的是一个局部近似解，但是其所计算的时间和效果要比随机梯度下降法的好。
缺点：但是在计算时候多了一个参数 b （即每批的大小）需要去调试。
带Mini-batch的随机梯度下降
- 选择n个训练样本（n<m，m为总训练集样本数）
- 在这n个样本中进行n次迭代，即每次使用1个样本
- 对n次迭代得出的n个gradient进行加权平均再并求和，作为这一次mini-batch下降梯度
- 不断在训练集中重复以上步骤，直到收敛。
