【机器学习】分类

1. 能否用回归解决分类问题

二元分类

• 数据分布不规律，回归函数会尽量减少误差，导致不合理的偏移
• 离分界较远的点会影响划分
• 决策边界偏移：难以找到回归函数，使大部分样本点集中在离散点附近

多元分类

• 使用数值描述类别时，存在问题：相近的数值之间可能有联系，但实际分类之间没有隐含关系

---

2. 生成模型（概率生成）

确定模型

• 贝叶斯公式：根据先验概率求后验概率

$$P(C_1|x)=\frac{P(C_1)P(x|C_1)}{P(C_1)P(x|C_1)+P(C_2)P(x|C_2)}$$

• 对于二分类问题，只需判断是否属于分类 1，分类 2 即确定

• 目标是找到拟合分布 $P(x|C_1)$和 $P(x|C_2)$

评估函数

• 高斯分布：寻找 $\mu$ 和 $\Sigma$，使得高斯分布与 x 在 C 中的分布最大匹配
• 分别寻找两个分布$C1$，$C2$

找到最优的函数

• 极大似然估计法
• 通过代入所有的 $x$ 到高斯分布，计算概率的连乘结果，最大化此结果，确定最优的 $\mu$ 和 $\Sigma$。

如何实现分类

• 找到高斯分布后，代入问题模型中，确定后验概率函数，输入 $x$ 就能得到分类结果。

优化

• 共用协方差 $\Sigma$：减少参数，防止过拟合。
• 这时找到的函数将会是一条直线。

---

3. 判别模型（逻辑回归）

说明

• 当共用协方差时，可以得到如下公式：

$$P(C_1|x)=\sigma (wx+b)$$

• 其中，$\sigma (x)=\frac{1}{1+e^{-x}}$ 为 Sigmoid 函数。

• 直接训练 $w$ 和 $b$，无需假设高斯分布。

做法

• 确定模型：

  $f(x)=P(C_1|x)=\sigma (wx+b)$

  目标是直接找 $w$ 和 $b$ 来确定后验概率。

• 评估函数：
  $$L(w,b)=f_{w,b}(x^1)f_{w,b}(x^2)(1-f_{w,b}(x^3))...$$
  此时目标是最大化评估函数。

  引入交叉熵（Cross-Entropy）：
  $$H(p,q)=-\sum p(x)\ln (q(x))$$

  • 交叉熵越小，表示两个分布越接近。

  进一步损失函数：

  $$-\ln L(w,b)=-\sum \left[y^n\ln f_{w,b}(x^n)+(1-y^n)\ln (1-f_{w,b}(x^n))\right]$$

  • 目标是最小化损失函数。

• 寻找最优函数

  • 使用梯度下降法更新参数：

  $$w_{t+1}=w_t-\eta \sum _n\left[-(y^n-f_{w,b}(x^n))x^n\right]$$

与线性回归比较

• 逻辑回归中引入了 Sigmoid 函数，输出值范围为 0 到 1。
• 线性回归输出可能是任意实数。
• 逻辑回归的损失函数是交叉熵，而线性回归使用平方误差。

与生成模型比较

• 生成模型假设数据分布符合某个高斯分布。
• 判别模型不做假设，直接学习分类边界（求 $w$ 和 $b$）。
• 判别模型通常比生成模型表现好，但在数据不足的情况下，生成模型更为实用。

逻辑回归缺陷

• 逻辑回归无法解决线性不可分问题，需要通过特征转换来处理，这通常是深度学习的核心。

为什么不用平方误差？

• 若用平方误差，损失函数为：

  $$L(w,b)=\frac{1}{2}\sum (y^n-f_{w,b}(x^n){)}^2$$

  梯度为：

  $$\frac{dL}{dw}=2(y^n-f_{w,b}(x^n))f_{w,b}(x^n)(1-f_{w,b}(x^n))x^n$$

• 当 $y^n=1$ 且 $f(x^n)=1$ 时，梯度为 0（正常）。

• 当 $y^n=1$ 且 $f(x^n)=0$ 时，梯度也为 0（不正常，训练非常缓慢）。

• 结论：使用平方误差损失函数，梯度会在边界附近为零，导致训练速度非常慢。交叉熵的损失函数更适合分类问题。

---

4. 多分类问题

• 使用 逻辑回归 计算每个类别的概率值，然后通过 Softmax 函数选择最大概率的类别。
• $\text{Softmax}(x_i)=\frac{e^{x_i}}{{\sum }_j{e}^{x_j}}$