-
Notifications
You must be signed in to change notification settings - Fork 0
/
02-regression.Rmd
370 lines (277 loc) · 12.5 KB
/
02-regression.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
---
output: html_document
editor_options:
chunk_output_type: console
---
```{r purl = FALSE, cache = TRUE, include=FALSE}
knitr::opts_knit$set(global.par = TRUE)
knitr::opts_chunk$set(warning = FALSE, message = FALSE, collapse = TRUE, out.width = '100%')
library(tidyverse)
library(vroom)
```
# Лінійна регресія {#reg}
Модель лінійної регресії:
$$\hat{y} = \beta_0 + \sum \beta_j x_j$$
$\beta_0$ - вільний коефіцієнт (*bias, intercept*)
$\beta_j$ - ваговий коефіцієнт (*weights*)
$\beta_0, \beta_1, \dots, \beta_n$ - параметри
Інколи можуть скорочувати запис формули:
$$\hat{y} = \beta_0 + \left \langle \beta, x \right \rangle$$
$$\beta = \begin{pmatrix}
\beta_1 \\
\beta_2 \\
\dots \\
\beta_n
\end{pmatrix}$$
$$x = \begin{pmatrix}
x_1 \\
x_2 \\
\dots \\
x_n
\end{pmatrix}$$
## Коли такі моделі можна використовувати?
### Номінативні показники: one-hot encoding
Припустимо, що один з наших показників $x_j$ номінативний і він приймає значення з певної множини значень $x_j \in \left \{ c_1, c_2, \dots, c_m \right \}$
Основна мета one-hot encoding створити нові бінарні змінні з якими модель регресії зможе працювати:
$b_i(x) = \left [ f_i(x) = c_i \right ]$
Нотація Айверсона:
$$\left [ \models \right ] = 1$$
$$\left [ ⊭ \right ] = 0$$
$b_1(x), b_2(x), \dots, b_m(x)$ - нові показники.
Як в такому випадку буде виглядати модель?
$$\hat{y} = \beta_0 + \beta_1\left [ b(x) = c_1 \right ] + \dots + \beta_m\left [ b(x) = c_m \right ] + \dots$$
### Бінаризація
В випадках, коли в нас існує нелінійна залежність між $y$ та $x$ є сенс використати бінеризацію.
```{r echo=FALSE}
tribble(~x, ~y,
1, 2,
2, 4,
3, 8,
4, 12,
5, 11,
6, 9,
7, 8,
8, 6,
9, 5.5,
10, 5) %>%
ggplot(aes(x, y)) +
geom_smooth(se = FALSE)
```
Будуємо певну сітку значень ${t_1, t_2, \dots, t_m}$, тоді нові показники задамо як:
$$b_i(x) = [t_{i-1} < x_j \leqslant t_{i}], \;\; i = 1,\dots,m+1$$
```{r echo=FALSE}
tribble(~x, ~y,
1, 2,
2, 4,
3, 8,
4, 12,
5, 11,
6, 9,
7, 8,
8, 6,
9, 5.5,
10, 5) %>%
ggplot(aes(x, y)) +
geom_smooth(se = FALSE) +
geom_vline(xintercept = seq(1, 10, length.out = 12), color = "red")
```
Лінійна модель набуває вигляду:
$$\hat{y} = \beta_1\left [ t_{i-1} < x_j \leqslant t_{i} \right ] + \dots + \beta_m\left [ t_{m} < x_j \leqslant t_{m+1} \right ] + \dots$$
Межі інтервалів можна подавати, як перцентилі.
### Текстові дані: bag of words
## Похибки в задачах регресії
$$L(y, \hat{y})$$
### Квадратична функція похибок
$$L(y, \hat{y}) = (y - \hat{y})^2$$
$$MSE(\hat{y}, x) = \frac{1}{l}\sum(y - \hat{y}(x))^2$$
$$RMSE(\hat{y}, x) = \sqrt{\frac{1}{l}\sum(y - \hat{y}(x))^2}$$
$$R^2(\hat{y}, x) = 1 - \frac{\sum(y - \hat{y})^2}{\sum(y - \overline{y})^2}$$
### Абсолютна функція похибок
$$L(y, \hat{y}) = |y - \hat{y}|$$
$$MAE(\hat{y}, x) = \frac{1}{l}\sum|y - \hat{y}|$$
Позитивні сторони: стійка до викидів
```{r echo=FALSE}
tibble(
y = c(1, 2, 3, 4, 5, 100, 7),
fit_1 = c(2, 1, 2, 5, 6, 7, 6),
fit_2 = c(4, 5, 6, 7, 8, 10, 10)
) %>%
mutate(abs_1 = abs(y - fit_1),
sqr_1 = (y - fit_1)^2,
abs_2 = abs(y - fit_2),
sqr_2 = (y - fit_2)^2) %>%
knitr::kable()
```
```{r echo=FALSE}
tibble(
y = c(1, 2, 3, 4, 5, 100, 7),
fit_1 = c(2, 1, 2, 5, 6, 7, 6),
fit_2 = c(4, 5, 6, 7, 8, 10, 10)
) %>%
mutate(abs_1 = abs(y - fit_1),
sqr_1 = (y - fit_1)^2,
abs_2 = abs(y - fit_2),
sqr_2 = (y - fit_2)^2) %>%
select(4:7) %>%
map_dbl(mean) %>%
knitr::kable()
```
Негативні сторони: похідна не має інформації про близькість екстремуму + не має похідної в нулі.
### Huber loss
Поєднання квадратичної та абсолютної функції. Необхідно підбирати дельту. Не має другої похідної.
$$
L_{\delta}(y, \hat{y})\left\{\begin{matrix}
\frac{1}{2}(y - \hat{y})^2, & |y - \hat{y}| < \delta \\
\delta (|y - \hat{y}| - \frac{1}{2}\delta) & |y - \hat{y}| \geqslant \delta
\end{matrix}\right.
$$
### Log-Cosh
Використовується гіперболічний косинус
$$
L_{\delta}(y, \hat{y}) = log (cosh(y - \hat{y}))
$$
### MSLE
Mean squared logarithmic error
$$
L(y, \hat{y}) = (log(\hat{y} + 1) - log(y + 1))^2
$$
### Відносні функції помилок
#### MAPE
$$
L_{\delta}(y, \hat{y}) = |\frac{y - \hat{y}}{y}|
$$
#### SMAPE
$$
L_{\delta}(y, \hat{y}) = \frac{|y - \hat{y}|}{(|y| + |\hat{y}|)/2}
$$
### Квантильна функції
Можна регулювати штраф за завищення і заниження похибок
Функцію помилок потрібно підбирати в залежності від задачі.
## Перенавчання
Нерідко в моделі машинного навчання стикаються з ситуацією *перенавчання* --- якість моделі на нових даних значно гірша ніж на навчальній вибірці. Тому важливо щоб наша модель вміла *узагалювати* свої результати на нові дані.
Для візуалізації цього ефекту проведемо симуляцію:
```{r sim}
library(tidyverse)
library(patchwork)
set.seed(1234)
df <- tibble(x = seq(1, 2, 0.05),
y = cos(1.5 * pi * x) + rnorm(x, 0, 0.1))
plots <- map(c(1, 4, 15), function(d){
ggplot(df, aes(x, y)) +
geom_point() +
# geom_smooth(se = FALSE, color = "#2F6B57") +
geom_smooth(method = "lm", formula = y ~ poly(x, d), se = FALSE, color = "#2F6B57") +
ggtitle(paste("Poly ", d))
})
plots[[1]] / plots[[2]] / plots[[3]]
```
Візуалізація демострує, що прості моделі мають недостатню точність, а складні моделі занадто добре підлаштовуються під вибірку, через що стають непридатними для подальшого використання.
Існує декілька варіантів виходу з ситуації перенавчання:
- регуляризація: штрафування моделі за складність
- крос-валідація: побудова низки моделей на підвибірках даних
- збільшення розмірності вибірки (про цей варіант часто забувають).
## Оцінювання якості моделей
Адекватна оцінка якості моделі грунтується на підході відкладеної вибірки: розмічені дані (дані, з відомими відповідями) розбиваються на дві частини: навчальну та тестову. На навчальній вибірці модель навчається а на тестовій перевіряється її якість. Якщо показник якості моделі на тестовій вибірці задовольняє наші потреби, можемо вважати, що модель знайшла певні закономірності в даних.
Але бувають випадки, коли якість моделі залежить від "формату" розбиття на підвибірки: ми можемо отримати різну якість моделі, якщо розіб'ємо дані за інших пропорцій або іншого початкового значення генератора випадкових величин. Вирішити таку проблему можна за допомогою крос-валідації. Дані розбиваються на $k$ блоків $X_1, X_2,\dots,X_k$ приблизно однакового розміру. Після чого будується $k$ моделей $\hat{y_1},\dots,\hat{y_k}$, при чому кожна $k$ модель навчається на всіх блоках окрім $k$. Після чого кожна модель оцінюється оцінюється по блоку який не приймав в навчанні, а результати усереднюються:
$$CV = \frac{1}{k}\sum{Q(\hat{y_i}, X_i)}$$
Як отримати фінальну модель для подальшого використання? Два варіанта:
- Навчаємо модель на всій вибірці даних, її параметри будуть підібрані на більшій кількості спостережень і можемо сподіватися, що якість моделі зросте.
- Будуємо композицію моделі з $\hat{y_1},\dots,\hat{y_k}$: наприклад, усереднення прогнозів всіх моделей, що може привести до підвищення стійкості моделі.
```{r}
library(tidymodels)
set.seed(1234)
n <- 1e3
ll_df <- tibble(
x = runif(n, 0, 3),
y = exp(1 + 0.75 * x + rnorm(n, sd = 0.5))
)
split <- initial_split(ll_df, prop = 0.8)
split
cars_train <- training(split)
cars_test <- testing(split)
cars_train
cars_test
```
```{r}
lm_spec <- linear_reg() %>%
set_mode("regression") %>%
set_engine("lm")
lm_fit <- lm_spec %>%
fit(y ~ x, data = cars_train)
augment(lm_fit, new_data = cars_train) %>%
yardstick::rmse(truth = y, estimate = .pred)
augment(lm_fit, new_data = cars_test) %>%
yardstick::rmse(truth = y, estimate = .pred)
predict(lm_fit, new_data = cars_test)
predict(lm_fit, new_data = cars_test, type = "conf_int")
bind_cols(
predict(lm_fit, new_data = ll_df),
ll_df
) %>%
select(y, .pred)
```
```{r}
poly_tuned_rec <- recipe(y ~ x, data = cars_train) %>%
step_poly(x, degree = tune())
poly_tuned_wf <- workflow() %>%
add_recipe(poly_tuned_rec) %>%
add_model(lm_spec)
cars_folds <- vfold_cv(cars_train, v = 10)
degree_grid <- grid_regular(degree(range = c(1, 10)), levels = 10)
degree_grid <- tibble(degree = seq(1, 10)) # same
tune_res <- tune_grid(
object = poly_tuned_wf,
resamples = cars_folds,
grid = degree_grid
)
autoplot(tune_res)
collect_metrics(tune_res)
show_best(tune_res, metric = "rmse", n = 1)
best_degree <- show_best(tune_res, metric = "rmse", n = 1)
final_wf <- finalize_workflow(poly_tuned_wf, best_degree)
final_wf
final_fit <- fit(final_wf, cars_train)
final_fit
bind_cols(
predict(final_fit, new_data = ll_df),
ll_df
) %>%
select(y, .pred)
augment(final_fit, new_data = cars_train) %>%
yardstick::rmse(truth = y, estimate = .pred)
augment(final_fit, new_data = cars_test) %>%
yardstick::rmse(truth = y, estimate = .pred)
```
## Градієнтний спуск
Пізніше...
## Приклад використання
```{r}
fm0 <- lm(y ~ x, ll_df)
X <- model.matrix(fm0)
f1 <- function(b) with(ll_df, sum(log(cosh(y - X %*% b))))
res <- optim(coef(fm0), f1, method = "BFGS")
res$par
f2 <- function(b) with(ll_df, mean(abs((y - X %*% b))))
res <- optim(coef(fm0), f2, method = "BFGS")
res$par
```
```{r}
f1 <- function(b) with(ll_df, sum(log(cosh(y - X %*% b))))
f2 <- function(b) with(ll_df, mean(abs((y - X %*% b))))
func <- list(f1, f2)
fm0 <- lm(y ~ x, ll_df)
X <- model.matrix(fm0)
param <- 0
for (i in 1:length(func)) {
param[i] <- tibble(optim(coef(fm0), func[[i]], method = "BFGS")$par)
}
param <- param %>%
bind_rows(lm_fit$fit$coefficients) %>%
rename(Intercept = 1) %>%
mutate(loss = c("Log-Cosh", "MAE", "MSE"))
ll_df %>%
ggplot(aes(x, y)) +
geom_point(alpha = .2) +
geom_abline(data = param, aes(intercept = Intercept, slope = x, color = loss), size = 1)
```
bookdown::render_book("index.Rmd", output_dir = "docs")