00 線性回歸：“鋼鐵直男”解決回歸問(wèn)題的正確方法

本文將介紹機(jī)器學(xué)習(xí)算法，我們選擇從線性回歸（Linear Regression）開(kāi)始。

許多機(jī)器學(xué)習(xí)教材習(xí)慣一上來(lái)就深入算法的細(xì)節(jié)，這當(dāng)然也有好處，但學(xué)習(xí)一門之前不大接觸的新技術(shù)時(shí)，我更傾向于遵循學(xué)習(xí)思維三部曲的節(jié)奏：是什么（What）、為什么（Why）和怎么做（How）。如果我們之前未接觸過(guò)機(jī)器學(xué)習(xí)，那么開(kāi)始學(xué)習(xí)時(shí)首先問(wèn)的當(dāng)然是“機(jī)器學(xué)習(xí)是什么”。

所以我們選擇從線性回歸算法開(kāi)始。線性回歸算法不但結(jié)構(gòu)簡(jiǎn)單，原理好懂，同時(shí)又包含了機(jī)器學(xué)習(xí)算法的典型運(yùn)作特征，方便你鳥(niǎo)瞰機(jī)器學(xué)習(xí)算法的運(yùn)行全貌，以及仔細(xì)觀察每個(gè)組成構(gòu)件的細(xì)節(jié)情況。如果此前你并不了解機(jī)器學(xué)習(xí)，不妨將線性回歸當(dāng)作機(jī)器學(xué)習(xí)算法中的入門任務(wù)。

學(xué)習(xí)新技術(shù)一直存在這樣的矛盾：技術(shù)太復(fù)雜則擔(dān)心學(xué)不會(huì)，技術(shù)太簡(jiǎn)單又擔(dān)心是不是已經(jīng)過(guò)時(shí)了。畢竟我們這個(gè)時(shí)代的計(jì)算機(jī)科學(xué)正在一日千里地飛速發(fā)展著，計(jì)算機(jī)類教材里的許多技術(shù)可能已經(jīng)被新興技術(shù)取代而退出了歷史舞臺(tái)，只是出于知識(shí)結(jié)構(gòu)的完整性等考慮才像恐龍骨架一樣在教材里保留著一席之地。

但請(qǐng)放心，線性回歸完全不是這么一回事。線性回歸是一套在當(dāng)下仍然具有很高實(shí)戰(zhàn)價(jià)值的算法，在很多現(xiàn)實(shí)場(chǎng)景中仍然發(fā)揮著不可替代的作用，不但“麻雀雖小，五臟俱全”，適合介紹剖析，而且還像麻雀一樣，蹦蹦跳跳地活躍在機(jī)器學(xué)習(xí)應(yīng)用的第一線。

想要說(shuō)清楚線性回歸，先回到“線性回歸”這個(gè)嚇人的名字上。在通往機(jī)器學(xué)習(xí)的路上有著各色各樣的攔路虎，首先跳出來(lái)嚇你一哆嗦的肯定是那些古古怪怪的術(shù)語(yǔ)，“線性回歸”就是里面的杰出代表。

初次接觸“線性回歸”，可能都不知道該怎么斷句，一不小心就要被嚇得干脆打退堂鼓。不要怕它，首先我們將這個(gè)看似無(wú)從下手的詞分成“線性”和“回歸”兩塊，可以認(rèn)為這代表了兩個(gè)知識(shí)領(lǐng)域：前者是一類模型，叫“線性模型”；后者是一類問(wèn)題，叫“回歸問(wèn)題”。這樣“線性回歸”這個(gè)詞可以理解成一句話，即用線性模型來(lái)解決回歸問(wèn)題。

線性模型和回歸問(wèn)題湊成一對(duì)并非是劇本一開(kāi)始就安排好的。回歸問(wèn)題是機(jī)器學(xué)習(xí)中非常經(jīng)典的一類問(wèn)題，換句話說(shuō)，就是有許許多多的方法模型都會(huì)用于解決回歸問(wèn)題。但除了回歸問(wèn)題，這些方法模型也可以解決其他問(wèn)題，如分類問(wèn)題。

總而言之，問(wèn)題和模型是多對(duì)多的關(guān)系，問(wèn)題提出要求，模型給予解決，畢竟算法和人生一樣，沒(méi)有劇本只有驚喜，遇上了又能對(duì)得上，那才好湊成一對(duì)，所以當(dāng)大家用線性模型解決回歸問(wèn)題時(shí)發(fā)現(xiàn)還挺順手并經(jīng)常用，后來(lái)干脆起了“線性回歸”這個(gè)名字。

介紹完了名字，接下來(lái)就是“正菜”。大多數(shù)教材最習(xí)慣的做法是一上來(lái)就拋出各種眼花繚亂的公式，讓人深深陷入術(shù)語(yǔ)、符號(hào)和推導(dǎo)等細(xì)節(jié)之中，就像是正要開(kāi)始學(xué)游泳，不知就里便被扔進(jìn)了大海，從此拖著長(zhǎng)長(zhǎng)的心理陰影。

細(xì)節(jié)很重要，但理念更重要，剛接觸機(jī)器學(xué)習(xí)誰(shuí)都只是一張白紙，要在上面大展宏圖，首先得確定基本主題，然后勾勒整體脈絡(luò)，最后才是添加細(xì)節(jié)。這也正是本書介紹機(jī)器學(xué)習(xí)的方式。

機(jī)器學(xué)習(xí)是問(wèn)題導(dǎo)向的，正因有了問(wèn)題才會(huì)設(shè)計(jì)算法，這是機(jī)器學(xué)習(xí)最主要的脈絡(luò)。本文要解決的問(wèn)題是回歸問(wèn)題，用的方法是線性回歸算法。如果也將線性回歸算法比作一架機(jī)器，那線性方程和偏差度量就是組成這架機(jī)器的兩大構(gòu)件，它們?cè)跈?quán)值更新這套機(jī)制下齊心協(xié)力地運(yùn)轉(zhuǎn)，最終解決回歸問(wèn)題。

這也是本文的要點(diǎn)，請(qǐng)格外加以關(guān)注：

回歸問(wèn)題

線性方程

偏差度量

權(quán)值更新

01 用于預(yù)測(cè)未來(lái)的回歸問(wèn)題

所以如果你擔(dān)心接下來(lái)將要看到什么深?yuàn)W的術(shù)語(yǔ)則大可不必，機(jī)器學(xué)習(xí)并非憑空而生的學(xué)科，這里所說(shuō)的回歸問(wèn)題正是從統(tǒng)計(jì)學(xué)那里借來(lái)的救兵。

兩百年前，與達(dá)爾文同時(shí)代的統(tǒng)計(jì)學(xué)家高爾頓在研究父代與子代的身高關(guān)系時(shí)，發(fā)現(xiàn)一種“趨中效應(yīng)”：如果父代身高高于平均值，則子代具有更高概率比他父親要矮，簡(jiǎn)單來(lái)說(shuō)就是身高回歸平均值?！盎貧w”一詞也由此而來(lái)。

在回歸的世界里，萬(wàn)物的發(fā)展軌跡都不是一條單調(diào)向上走或向下走的直線，而是循著均值來(lái)回波動(dòng)，一時(shí)會(huì)墜入低谷，但也會(huì)迎來(lái)春暖花開(kāi)，而一時(shí)春風(fēng)得意，也早晚會(huì)遇到坎坷挫折，峰回路轉(zhuǎn)，否極泰來(lái)，從這個(gè)角度看，回歸與其說(shuō)是一個(gè)統(tǒng)計(jì)學(xué)問(wèn)題，不如說(shuō)更像是一個(gè)哲學(xué)問(wèn)題。

那么什么是回歸問(wèn)題呢？回歸問(wèn)題的具體例子很多，簡(jiǎn)單來(lái)說(shuō)各個(gè)數(shù)據(jù)點(diǎn)都沿著一條主軸來(lái)回波動(dòng)的問(wèn)題都算是回歸問(wèn)題。

回歸問(wèn)題中有許多非常接地氣的問(wèn)題，譬如根據(jù)歷史氣象記錄預(yù)測(cè)明天的溫度、根據(jù)歷史行情預(yù)測(cè)明天股****的****、根據(jù)歷史記錄預(yù)測(cè)某篇文章的點(diǎn)擊率等都是回歸問(wèn)題。正因?yàn)榛貧w問(wèn)題充滿了濃厚的生活氣息，也就成為一類十分常見(jiàn)的機(jī)器學(xué)習(xí)問(wèn)題。

當(dāng)然，回歸問(wèn)題作為一種類型，有著自己獨(dú)特的結(jié)構(gòu)特征，在上面描述什么是回歸問(wèn)題時(shí)，我刻意反復(fù)使用“歷史”和“預(yù)測(cè)”這兩個(gè)詞，原因正是記錄歷史值和預(yù)測(cè)未來(lái)值是回歸問(wèn)題的兩個(gè)代表性特征。

在機(jī)器學(xué)習(xí)中，回歸問(wèn)題和分類問(wèn)題都同屬有監(jiān)督學(xué)習(xí)，在數(shù)據(jù)形式上也都十分相似，那么怎么區(qū)分一個(gè)問(wèn)題究竟是回歸問(wèn)題還是分類問(wèn)題呢？

回歸問(wèn)題和分類問(wèn)題最大的區(qū)別在于預(yù)測(cè)結(jié)果

根據(jù)預(yù)測(cè)值類型的不同，預(yù)測(cè)結(jié)果可以分為兩種，一種是連續(xù)的，另一種是離散的，結(jié)果是連續(xù)的就是預(yù)測(cè)問(wèn)題。

這里的“連續(xù)”不是一個(gè)簡(jiǎn)單的形容詞，而是有著嚴(yán)格的數(shù)學(xué)定義。不過(guò)額外引入太多復(fù)雜的概念反而會(huì)偏離主線，好在“連續(xù)”是一個(gè)可以感受的概念，最直接的例子就是時(shí)間，時(shí)間當(dāng)然是連續(xù)的，連續(xù)型數(shù)值在編程時(shí)通常用int和float類型來(lái)表示，包括線性連續(xù)和非線性連續(xù)兩種，如圖3-1所示。

▲圖3-1 連續(xù)型數(shù)據(jù)

相比之下，離散型數(shù)值的最大特征是缺乏中間過(guò)渡值，所以總會(huì)出現(xiàn)“階躍”的現(xiàn)象，譬如“是”和“否”，通常用bool類型來(lái)表示，如圖3-2所示。

▲圖3-2 離散型數(shù)據(jù)

02 怎樣預(yù)測(cè)未來(lái)

回歸問(wèn)題是一類預(yù)測(cè)連續(xù)值的問(wèn)題，而能滿足這樣要求的數(shù)學(xué)模型稱作回歸模型，我們即將介紹的線性回歸就是回歸模型中的一種。許多教材講到回歸模型，總是匆匆進(jìn)入具體的算法當(dāng)中，而往往忽略替初學(xué)者解答一個(gè)問(wèn)題：為什么回歸模型能夠進(jìn)行預(yù)測(cè)？這是一個(gè)似乎理所當(dāng)然，但其實(shí)并沒(méi)有那么不喻自明的問(wèn)題。

許多人對(duì)“預(yù)測(cè)”的第一印象也許是傳說(shuō)中的一個(gè)故事，有兩位高人結(jié)伴出行，晚上歇于一處破廟，甲對(duì)乙說(shuō)，“睡覺(jué)別靠墻，我剛掐指一算，寅時(shí)墻會(huì)倒。”乙不屑一顧地?cái)[擺手，“我剛才也掐指一算，墻是倒向右邊，我靠左睡可保無(wú)憂?！?/p>

故事里的高人也是要看書的，不過(guò)多半看的是《奇門遁甲》，而不太可能是《機(jī)器學(xué)習(xí)》。奇門遁甲不在本書的討論范圍，那么，機(jī)器學(xué)習(xí)的回歸模型能不能實(shí)現(xiàn)精準(zhǔn)的預(yù)測(cè)呢？

也許可以，不過(guò)要有條件：需要有充足的歷史數(shù)據(jù)。數(shù)據(jù)的重要性怎么強(qiáng)調(diào)都不為過(guò)，如果將機(jī)器學(xué)習(xí)算法比作一架機(jī)器，那么數(shù)據(jù)就是驅(qū)動(dòng)這架機(jī)器的燃料，沒(méi)有燃料驅(qū)動(dòng)，機(jī)器設(shè)計(jì)得再精巧也只能是擺設(shè)。

我們不是要預(yù)測(cè)未來(lái)嗎，為什么反而說(shuō)歷史數(shù)據(jù)這么重要呢？這個(gè)問(wèn)題涉及哲學(xué)，可以追溯到世界是萬(wàn)事萬(wàn)物相互聯(lián)系的統(tǒng)一整體，或者簡(jiǎn)單一點(diǎn)，不妨把預(yù)測(cè)當(dāng)作一次偵探小說(shuō)中的推理過(guò)程，犯罪手法總是要留下痕跡的，只要你找到相關(guān)聯(lián)的線索，就能夠推理出最終的結(jié)果。

當(dāng)然，預(yù)測(cè)難就難在待預(yù)測(cè)對(duì)象與什么相關(guān)是未知的，不過(guò)好在其中的關(guān)聯(lián)關(guān)系就藏在歷史數(shù)據(jù)之中，你要做的就是通過(guò)機(jī)器學(xué)習(xí)算法把它挖掘出來(lái)。機(jī)器學(xué)習(xí)算法并不發(fā)明關(guān)系，只是關(guān)聯(lián)關(guān)系的搬運(yùn)工。有一種尚存爭(zhēng)議的觀點(diǎn)甚至說(shuō)得更直白：機(jī)器學(xué)習(xí)遠(yuǎn)不是什么欲說(shuō)還休的神秘技術(shù)，從數(shù)學(xué)的角度看就是擬合，對(duì)輸入數(shù)據(jù)點(diǎn)的擬合。

機(jī)器學(xué)習(xí)實(shí)現(xiàn)預(yù)測(cè)的流程

機(jī)器學(xué)習(xí)算法究竟有什么魔力，竟然能夠預(yù)測(cè)未來(lái)？不妨就以前面兩個(gè)高人的故事為例，用科學(xué)觀點(diǎn)來(lái)研究墻體坍塌的問(wèn)題。墻體坍塌可能由許多偶然因素導(dǎo)致，我們都不是土木專家，不妨憑感覺(jué)隨手列出幾條可能導(dǎo)致墻坍塌的因素：

譬如可能與砌墻的材質(zhì)有關(guān)，土坯墻總比水泥墻容易垮塌；

可能與使用時(shí)間的長(zhǎng)短有關(guān)；

可能與承建商有關(guān)，喜歡偷工減料的工程隊(duì)容易出“豆腐渣工程”；

還有一些外部環(huán)境因素，譬如整天風(fēng)吹雨淋的墻容易垮塌；

最后就是墻體坍塌之前總會(huì)有一些早期跡象，譬如已經(jīng)出現(xiàn)很多裂縫等。

上面所列因素有三種情況：與坍塌密切相關(guān)，與坍塌有點(diǎn)關(guān)系，以及與坍塌毫無(wú)瓜葛。如果人工完成預(yù)測(cè)任務(wù)，當(dāng)然最重要的工作就是找出哪些是密切相關(guān)的，放在第一位；哪些是有點(diǎn)關(guān)系的，放在參考位置；哪些毫無(wú)瓜葛，統(tǒng)統(tǒng)刪掉。

可是我們又怎么知道哪些因素有哪些關(guān)系呢？這時(shí)我們就可以制作一張調(diào)查表，把砌墻用的什么材料、已經(jīng)用了多久、出現(xiàn)了多少條裂縫等情況一一填進(jìn)去，這就是前面所說(shuō)的數(shù)據(jù)集中每一條樣本數(shù)據(jù)的維度。就像商家很喜歡通過(guò)網(wǎng)上問(wèn)卷來(lái)了解用戶偏好一樣，我們也利用調(diào)查表來(lái)了解墻體坍塌有什么“偏好”。

調(diào)查表大概形式如下表所示。

最后一欄是“坍塌概率”，這是我們最關(guān)心的，也是有監(jiān)督學(xué)習(xí)所必需的。這些已知的坍塌概率以及相關(guān)的維度數(shù)據(jù)將為未知概率的預(yù)測(cè)提供重要幫助。

最后也是最關(guān)鍵的一步，是找出各個(gè)維度和坍塌之間的概率，而這個(gè)步驟將由模型自行完成。

我們要做的只是將長(zhǎng)長(zhǎng)的歷史數(shù)據(jù)輸入回歸模型，回歸模型就會(huì)通過(guò)統(tǒng)計(jì)方法尋找墻體坍塌的關(guān)聯(lián)關(guān)系，看看使用時(shí)間的長(zhǎng)短和承建商的選擇誰(shuí)更重要，相關(guān)術(shù)語(yǔ)叫作訓(xùn)練模型，從數(shù)學(xué)的角度看，這個(gè)過(guò)程就是通過(guò)調(diào)節(jié)模型參數(shù)從而擬合數(shù)據(jù)。怎樣調(diào)節(jié)參數(shù)來(lái)擬合數(shù)據(jù)是每一款機(jī)器學(xué)習(xí)模型都需要思考的重要問(wèn)題。

模型訓(xùn)練完畢后，再把當(dāng)前要預(yù)測(cè)的墻體情況按數(shù)據(jù)維度依次填好，回歸模型就能告訴我們當(dāng)前墻體坍塌概率的預(yù)測(cè)結(jié)果了。流程如圖3-3所示。

▲圖3-3 回歸模型訓(xùn)練示意圖

可以看出，回歸模型就是預(yù)測(cè)的關(guān)鍵，我們通過(guò)給模型“喂”數(shù)據(jù)來(lái)訓(xùn)練它，最終讓它具備了預(yù)測(cè)的能力。也許你對(duì)“模型”這個(gè)詞感到陌生又好奇，不知道該在腦海里給它分配一個(gè)什么樣的形象。而圖3-3的“模型”是一個(gè)大大的四方盒子，塞進(jìn)數(shù)據(jù)就能吐出預(yù)測(cè)結(jié)果，像是奇幻故事中巫師手中具有神奇魔力的水晶球。

不用著急，“模型”這個(gè)詞將貫穿我們對(duì)機(jī)器學(xué)習(xí)的整個(gè)巡禮，就像慶典游行里的花車正等著我們逐一觀賞呢。接下來(lái)迎面走來(lái)的就是第一款模型——線性模型。