1.3 局部加权线性回归（Locally weighted linear regression）

假如问题还是根据从实数域内取值的 $x\in \mathbb{R}$ 来预测 $y$ 。左下角的图显示了使用 $y={\theta }_0+{\theta }_{1}x$ 来对一个数据集进行拟合。我们明显能看出来这个数据的趋势并不是一条严格的直线，所以用直线进行的拟合就不是好的方法。

那么这次不用直线拟合，增加一个二次项，用二次多项式 $y={\theta }_0+{\theta }_{1}x+{\theta }_2{x}^2$ 来拟合。（看中间的图） 很明显，我们对特征补充得越多，效果就越好。

不过，增加太多特征也是有风险的：最右边的图就是使用了五次多项式 $y={\sum }_{j=0}^5{\theta }_j{x}^j$ 来进行拟合。看图就能发现，虽然这个拟合曲线完美地通过了所有当前数据集中的数据，但我们明显不能认为这个曲线是一个良好的预测工具。最左边的图像就是一个欠拟合 (under fitting) 的例子，明显能看出拟合的模型漏掉了数据集中的结构信息；而最右边的图像就是一个过拟合 (over fitting) 的例子。（当我们讨论到关于学习理论的时候，会给出这些概念的标准定义，也会给出拟合程度对于一个猜测的好坏检验的意义。）

正如前文谈到的，也正如上面这个例子展示的，一个学习算法要保证能良好运行，特征的选择是非常重要的。（等到我们讲模型选择的时候，还会看到一些算法能够自动来选择一个良好的特征集。）在本节，咱们就简要地讲一下局部加权线性回归（locally weighted linear regression ，缩写为 LWR），这个方法是假设有足够多的训练数据，对不太重要的特征进行一些筛选。

在原始版本的线性回归算法中，要对一个查询点 $x$ 进行预测，比如要衡量 $h(x)$，要经过下面的步骤：

1. 使用参数 $\theta$ 进行拟合，让数据集中的值与拟合算出的值的差值平方 ${\sum }_i(y^{(i)}-{\theta }^T{x}^{(i)}{)}^2$ 最小 (最小二乘法的思想)；
2. 输出 ${\theta }^{T}x$ 。

相应地，在 LWR 局部加权线性回归方法中，步骤如下：

1. 使用参数 $\theta$ 进行拟合，让加权距离 ${\sum }_i{w}^{(i)}(y^{(i)}-{\theta }^T{x}^{(i)}{)}^2$ 最小；
2. 输出 ${\theta }^{T}x$。

上面式子中的 $w^{(i)}$ 是非负的权值。直观点说就是，如果对应某个 $i$ 的权值 $w^{(i)}$ 特别大，那么在选择拟合参数 $\theta$ 的时候，就要尽量让这一点的 $(y^{(i)}-{\theta }^T{x}^{(i)}{)}^2$ 最小。而如果权值 $w^{(i)}$ 特别小，那么这一点对应的 $(y^{(i)}-{\theta }^T{x}^{(i)}{)}^2$ 就基本在拟合过程中忽略掉了。

对于权值的选取可以使用下面这个比较标准的公式：

$$w^{(i)}=\exp (-\frac{(x^{(i)}-x{)}^2}{2{\tau }^2})$$

NOTE

如果 $x$ 是有值的向量，那就要对上面的式子进行泛化，得到的是 $w^{(i)}=\exp (-\frac{(x^{(i)}-x{)}^T(x^{(i)}-x)}{2{\tau }^2})$，或者:$w^{(i)}=\exp (-\frac{(x^{(i)}-x{)}^T{\Sigma }^{-1}(x^{(i)}-x)}{2})$。

要注意的是，权值是依赖每个特定的点 $x$ 的，而这些点正是我们要去进行预测评估的点。此外，如果 $|x^{(i)}-x|$ 非常小，那么权值 $w^{(i)} $ 就接近 $1$；反之如果 $|x^{(i)}-x|$ 非常大，那么权值 $w^{(i)} $ 就变小。所以可以看出， $\theta$ 的选择过程中，查询点 $x$ 附近的训练样本有更高得多的权值。（还要注意，虽然权值方程的形式跟高斯分布的概率密度函数比较接近，但权值和高斯分布并没有什么直接联系，权值有可能不是随机变量，不呈现正态分布或者其他形式分布。）训练样本的权值随 $x^{(i)}$ 与 $x$ 之间的距离增大而下降，参数 $\tau$ 控制了下降的速度；$\tau$ 也叫做带宽参数。

局部加权线性回归是咱们接触的第一个非参数 算法。而更早之前咱们看到的无权重的线性回归算法就是一种参数 学习算法，因为有固定的有限个数的参数（也就是 ${\theta }_i$ ），这些参数用来拟合数据。我们对 ${\theta }_i$ 进行了拟合之后，就把它们存了起来，也就不需要再保留训练数据样本来进行更进一步的预测了。与之相反，如果用局部加权线性回归算法，我们就必须一直保留着整个训练集。这里的非参数算法中的 非参数 “non-parametric” 大约是指：为了呈现出假设 $h$ 随着数据集规模的增长而线性增长，我们需要以一定顺序保存一些数据的规模。（The term “non-parametric” (roughly) refers to the fact that the amount of stuff we need to keep in order to represent the hypothesis h grows linearly with the size of the training set. ）

LWR 的解析解

首先将损失函数写为矩阵形式：

$$\begin{array}{rl}J(\theta )& =\frac{1}{2}\sum _{i=1}^n{\omega }^{(i)}(y^{(i)}-{\theta }^{\text{T}}{x}^{(i)}{)}^2\\ & =\frac{1}{2}(X\theta -\vec{y}{)}^{\text{T}}W(X\theta -\vec{y}),\end{array}$$

其中

$$W=\left[\begin{array}{cccc}{\omega }^{(1)}& & & \\ & {\omega }^{(2)}& & \\ & & \ddots & \\ & & & {\omega }^{(n)}\end{array}\right].$$

欲使损失函数最小，需对 $\theta$ 求导：

$$\begin{array}{rl}{\nabla }_{\theta }J(\theta )& =\frac{1}{2}{\nabla }_{\theta }(X\theta -\vec{y}{)}^{\text{T}}W(X\theta -\vec{y})\\ & =\frac{1}{2}{\nabla }_{\theta }({\theta }^{\text{T}}{X}^{\text{T}}-{\vec{y}}^{\text{T}})(WX\theta -W\vec{y})\\ & =\frac{1}{2}{\nabla }_{\theta }({\theta }^{\text{T}}(X^{\text{T}}WX)\theta -{\theta }^{\text{T}}(X^{\text{T}}W\vec{y})-({\vec{y}}^{\text{T}}WX)\theta -{\vec{y}}^{\text{T}}W\vec{y})\\ & =\frac{1}{2}{\nabla }_{\theta }({\theta }^{\text{T}}(X^{\text{T}}WX)\theta -{\theta }^{\text{T}}(X^{\text{T}}W\vec{y})-(X^{\text{T}}{W}^{\text{T}}\vec{y}{)}^{\text{T}}\theta )\\ & =\frac{1}{2}{\nabla }_{\theta }({\theta }^{\text{T}}(X^{\text{T}}WX)\theta -{\theta }^{\text{T}}(X^{\text{T}}W\vec{y})-(X^{\text{T}}W\vec{y}{)}^{\text{T}}\theta )\\ & =\frac{1}{2}{\nabla }_{\theta }({\theta }^{\text{T}}(X^{\text{T}}WX)\theta -2{\theta }^{\text{T}}(X^{\text{T}}W\vec{y}))\\ & =\frac{1}{2}(2X^{\text{T}}WX\theta -2X^{\text{T}}W\vec{y})\\ & =X^{\text{T}}WX\theta -X^{\text{T}}W\vec{y}.\end{array}$$

第五个等号利用了 $W^{\text{T}}=W$，第六个等号利用了向量内积的对称性，第七个等号利用了二次型求导和内积求导的相关结论。

故有

$$\theta =(X^{\text{T}}WX{)}^{-1}{X}^{\text{T}}W\vec{y}.$$