多元线性回归

• $f(x)=\omega^Tx+b$
• 决策平面：$f(x;\omega)=0$
  • 有向距离：$\gamma=\frac{f(x;\omega)}{|\omega|}$
• 最小二乘法
  • $\hat\omega^*=\arg\min_{\hat\omega}(y-X\hat\omega)^T(y-X\hat\omega)=(X^TX)^{-1}X^Ty$
• 广义线性模型：$y=g^{-1}(w^Tx+b)$

对数几率回归

• 单位跃阶函数（Heaviside function): 理想但不连续

$$y=\begin{cases}0,& z<0\newline 0.5,& z=0\newline 1,&z>0\end{cases}$$

• 对数几率函数 (logistic function/Sigmoid function)
  • $g=\ln\frac{y}{1-y}$
    • 几率：$\frac{y}{1-y}$，反映了 $x$ 作为正例的相对可能性
  • $g^{-1}=S(x)=\frac{1}{1+e^{-x}}$
    • $S(x)’=S(x)(1-S(x))$
• 对数几率回归：用线性模型逼近真实标记的几率
  • $\ln\frac{p_1}{p_0}=\hat x\beta=(x,1)(\omega; b)$
    • 二分类：$y_ia+(1-y_i)b=a^{y_i}b^{1-y_i}$
  • Maxmimum likelihood method
    • $l(\beta)=\sum_{i=1}^m\ln p(y_i|x_i;\beta_i)=\sum_{i=1}^my_i\ln (g(\hat x_i\beta)+(1-y_i)\ln (1-g(\hat x_i\beta)))$
    • $l’=\sum_{i=1}^m(y_i-g(\hat x_i\beta))\hat x_i^T=X^T(Y-g(\beta^TX))$
    • $l’’=\sum_{i=1}^m\hat x_i\hat x_i^Tp_1(\hat x_i;\beta)(1-p_1(\hat x_i;\beta))$
  • 交叉熵作损失函数梯度下降
• 梯度下降：$\theta_{t+1}=\theta_{t}-\alpha\frac{\partial L}{\partial \theta}$

Softmax 回归

• $p(y=c|x)=\text{softmax}(\omega_c^Tx)=\frac{\exp(\omega_c^Tx)}{\sum_{c’=1}^C\exp(\omega_{c’}^Tx)}=\frac{\exp(W^Tx)}{1_C^T\exp(W^Tx)}$

LDA

• 给定训练集数据，设法将样例投影到一条直线上，使得同类样例投影点尽可能接近，异类投影点尽可能远离
• 协方差矩阵：$\Sigma=\frac{1}{n-1}(X-\mu I)(X-\mu I)^T$
  • $\Sigma_{ij}=\sigma(x_i,x_j)$
  • 投影后：$\omega^T\Sigma\omega$