文章目录
YFX ML Algorithm Summary
01 Logistic Regression
1,logistic function or sigmoid function
s
(
t
)
=
1
1
+
e
−
t
s(t)=\dfrac{1}{1+e^{-t}}
s(t)=1+e−t1
P
r
(
y
i
=
1
∣
x
i
)
=
s
(
x
i
β
)
Pr(y_i=1|x_i)=s(x_i\beta)
Pr(yi=1∣xi)=s(xiβ)
P
r
(
y
i
=
0
∣
x
i
)
=
1
−
s
(
x
i
β
)
Pr(y_i=0|x_i)=1-s(x_i\beta)
Pr(yi=0∣xi)=1−s(xiβ)
likelihood function:
L
(
β
;
y
i
,
x
i
)
=
[
s
(
x
i
β
)
]
y
i
[
1
−
s
(
x
i
β
)
]
1
−
y
i
L(\beta;y_i,x_i)=[s(x_i\beta)]^{y_i}[1-s(x_i\beta)]^{1-y_i}
L(β;yi,xi)=[s(xiβ)]yi[1−s(xiβ)]1−yi
L ( β ; Y , X ) = Π i = 1 N [ s ( x i β ) ] y i [ 1 − s ( x i β ) ] 1 − y i L(\beta;Y,X)=\Pi_{i=1}^N[s(x_i\beta)]^{y_i}[1-s(x_i\beta)]^{1-y_i} L(β;Y,X)=Πi=1N[s(xiβ)]yi[1−s(xiβ)]1−yi
log-likelihood function:
l
(
β
;
Y
,
X
)
=
Σ
i
=
1
N
[
−
l
n
(
1
+
e
x
i
β
)
+
y
i
x
i
β
]
l(\beta;Y,X)=\Sigma_{i=1}^N[-ln(1+e^{x_i\beta})+y_ix_i\beta]
l(β;Y,X)=Σi=1N[−ln(1+exiβ)+yixiβ]
MLE:
β
^
=
arg
max
β
l
(
β
;
Y
,
X
)
\hat{\beta}=\mathop{\arg\max}_{\beta}l(\beta;Y,X)
β^=argmaxβl(β;Y,X)
∂
l
∂
β
=
∂
{
Σ
i
=
1
N
[
−
l
n
(
1
+
e
x
i
β
)
+
y
i
x
i
β
]
}
∂
β
=
Σ
i
=
1
N
[
−
x
i
e
x
i
β
1
+
e
x
i
β
+
y
i
x
i
]
=
Σ
i
=
1
N
[
y
i
−
s
(
x
i
β
)
]
x
i
=
0
\frac{\partial l}{\partial \beta}=\frac{\partial \{\Sigma_{i=1}^N[-ln(1+e^{x_i\beta})+y_ix_i\beta]\}}{\partial \beta}=\Sigma_{i=1}^N[-\frac{x_ie^{x_i\beta}}{1+e^{x_i\beta}}+y_ix_i]=\Sigma_{i=1}^N[y_i-s(x_i\beta)]x_i=0
∂β∂l=∂β∂{Σi=1N[−ln(1+exiβ)+yixiβ]}=Σi=1N[−1+exiβxiexiβ+yixi]=Σi=1N[yi−s(xiβ)]xi=0
that is
Σ
i
=
1
N
[
y
i
−
s
(
x
i
β
)
]
x
i
=
0
\Sigma_{i=1}^N[y_i-s(x_i\beta)]x_i=0
Σi=1N[yi−s(xiβ)]xi=0
since there is no analytical solution, hence using numerical method to solve this problem, e.g. Newton-Raphson-Method,
β
^
t
=
β
^
t
−
1
+
δ
[
∂
2
l
(
β
^
t
−
1
;
Y
,
X
)
∂
β
∂
β
T
]
⎵
H
e
s
s
i
a
n
−
1
∂
l
(
β
^
t
−
1
;
Y
,
X
)
∂
β
⎵
S
c
o
r
e
\hat{\beta}_t=\hat{\beta}_{t-1}+\delta{\underbrace{[\frac{\partial^2 l(\hat{\beta}_{t-1};Y,X)}{\partial \beta \partial \beta^T}]}_{Hessian}}^{-1}\underbrace{\frac{\partial l(\hat{\beta}_{t-1};Y,X)}{\partial \beta}}_{Score}
β^t=β^t−1+δHessian
[∂β∂βT∂2l(β^t−1;Y,X)]−1Score
∂β∂l(β^t−1;Y,X)
02 SVD Decompostion
1,
A
m
×
n
=
U
Σ
V
⊤
A_{m\times n}=U\Sigma V^\top
Am×n=UΣV⊤,
U
m
×
m
,
Σ
m
×
n
,
V
n
×
n
U_{m\times m}, \Sigma_{m\times n}, V_{n\times n}
Um×m,Σm×n,Vn×n
2,
Σ
\Sigma
Σ‘s对角线上的值diagnal value is called sigular value奇异值
3,
U
T
U
=
I
,
V
T
V
=
I
U^TU=I, V^TV=I
UTU=I,VTV=I’
4,
(
A
T
A
)
n
×
n
(A^TA)_{n\times n}
(ATA)n×n's eigenvectors composes
V
n
×
n
V_{n\times n}
Vn×n
欢迎使用Markdown编辑器写博客
本Markdown编辑器使用StackEdit修改而来,用它写博客,将会带来全新的体验哦:
- Markdown和扩展Markdown简洁的语法
- 代码块高亮
- 图片链接和图片上传
- LaTex数学公式
- UML序列图和流程图
- 离线写博客
- 导入导出Markdown文件
- 丰富的快捷键
快捷键
- 加粗
Ctrl + B
- 斜体
Ctrl + I
- 引用
Ctrl + Q
- 插入链接
Ctrl + L
- 插入代码
Ctrl + K
- 插入图片
Ctrl + G
- 提升标题
Ctrl + H
- 有序列表
Ctrl + O
- 无序列表
Ctrl + U
- 横线
Ctrl + R
- 撤销
Ctrl + Z
- 重做
Ctrl + Y
Markdown及扩展
Markdown 是一种轻量级标记语言,它允许人们使用易读易写的纯文本格式编写文档,然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]
使用简单的符号标识不同的标题,将某些文字标记为粗体或者斜体,创建一个链接等,详细语法参考帮助?。
本编辑器支持 Markdown Extra , 扩展了很多好用的功能。具体请参考Github.
表格
Markdown Extra 表格语法:
项目 | 价格 |
---|---|
Computer | $1600 |
Phone | $12 |
Pipe | $1 |
可以使用冒号来定义对齐方式:
项目 | 价格 | 数量 |
---|---|---|
Computer | 1600 元 | 5 |
Phone | 12 元 | 12 |
Pipe | 1 元 | 234 |
###定义列表
Markdown Extra 定义列表语法:
项目1
项目2
: 定义 A
: 定义 B
-
项目3
-
定义 C
-
定义 D
定义D内容
代码块
代码块语法遵循标准markdown代码,例如:
@requires_authorization
def somefunc(param1='', param2=0):
'''A docstring'''
if param1 > param2: # interesting
print 'Greater'
return (param2 - param1 + 1) or None
class SomeClass:
pass
>>> message = '''interpreter
... prompt'''
###脚注
生成一个脚注1.
目录
用 [TOC]
来生成目录:
文章目录
数学公式
使用MathJax渲染LaTex 数学公式,详见math.stackexchange.com.
- 行内公式,数学公式为: Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N。
- 块级公式:
x = − b ± b 2 − 4 a c 2 a x = \dfrac{-b \pm \sqrt{b^2 - 4ac}}{2a} x=2a−b±b2−4ac
更多LaTex语法请参考 这儿.
对于 (1.2) a 2 + b 2 = c 2 a^2+b^2=c^2 \tag {1.2} a2+b2=c2(1.2)由公式 ( 1.2 ) (1.2) (1.2)即可得到结论。
UML 图:
可以渲染序列图:
或者流程图:
离线写博客
即使用户在没有网络的情况下,也可以通过本编辑器离线写博客(直接在曾经使用过的浏览器中输入write.blog.youkuaiyun.com/mdeditor即可。Markdown编辑器使用浏览器离线存储将内容保存在本地。
用户写博客的过程中,内容实时保存在浏览器缓存中,在用户关闭浏览器或者其它异常情况下,内容不会丢失。用户再次打开浏览器时,会显示上次用户正在编辑的没有发表的内容。
博客发表后,本地缓存将被删除。
用户可以选择 把正在写的博客保存到服务器草稿箱,即使换浏览器或者清除缓存,内容也不会丢失。
**注意:**虽然浏览器存储大部分时候都比较可靠,但为了您的数据安全,在联网后,请务必及时发表或者保存到服务器草稿箱。
##浏览器兼容
- 目前,本编辑器对Chrome浏览器支持最为完整。建议大家使用较新版本的Chrome。
- IE9以下不支持
- IE9,10,11存在以下问题
- 不支持离线功能
- IE9不支持文件导入导出
- IE10不支持拖拽文件导入
这里是 脚注 的 内容. ↩︎