基于對稱百分誤差的線性回歸與印染工業(yè)應(yīng)用

宋叢威，張曉明

(北京雁棲湖應(yīng)用數(shù)學(xué)研究院, 北京 101408)

0 引 言

目前印染工業(yè)面臨的問題，是根據(jù)已知的顏色，給出染料濃度配比，使得布料染出所需顏色[1]。文獻(xiàn)[1]中已經(jīng)建立了一個(gè)高效的線性模型用于預(yù)測染料濃度，本文則討論另一種預(yù)測濃度的方案。工人通常會(huì)在正式染色前，對樣品進(jìn)行試驗(yàn)性的染色，得到一組濃度配比。這本身也是目前印染業(yè)標(biāo)準(zhǔn)生產(chǎn)流程的環(huán)節(jié)。理想情況下，樣品試驗(yàn)得到的是正式染色的濃度配比。但在實(shí)際效果上卻總是存在一定的誤差。為了利用樣品試驗(yàn)數(shù)據(jù)來預(yù)測正式染色時(shí)的染料濃度配比，提出了線性模型[2-3]：

其中，x、y分別是樣品濃度配比和正式染色的濃度配比。

注意：x是向量，代表樣品試驗(yàn)濃度配比，而y是數(shù)量，代表正式染色的濃度配比的一個(gè)分量。即使y是向量，也假定各分量是獨(dú)立的，則分別研究每個(gè)分量即可。

為了便于理論分析,把所有參數(shù)整合成一個(gè)向量θ=(a,b)，并把線性模型表示為[4]：

(1)

其中，Cφ(x)表示由x決定的一組基。在本文中由x的分量和1構(gòu)成?？紤]到下述對數(shù)線性模型：

(2)

相當(dāng)于對y做對數(shù)化預(yù)處理。由于x、y有相同的物理意義，x也會(huì)做對數(shù)化預(yù)處理。

設(shè)θ為p維向量，對于N個(gè)樣本，則有：

(3)

本文對相對誤差做一些改良。此時(shí)，最小二乘法的代數(shù)方法不再適用，需用梯度下降法(GD)進(jìn)行優(yōu)化。這就是本文要解決的技術(shù)問題。最后的數(shù)值實(shí)驗(yàn)說明，在該誤差下，本文方法優(yōu)于普通的線性回歸。

1 百分誤差與損失函數(shù)

1.1 矩陣分析

(4)

(5)

圖1 不同y值產(chǎn)生的誤差絕對值

如此定義相對誤差的好處，就是對異常值不敏感。不對誤差取絕對值，是為了更準(zhǔn)確地反映誤差的分布。

數(shù)值計(jì)算中，小數(shù)除法會(huì)導(dǎo)致溢出，必要時(shí)改造為：

其中，C>0是一個(gè)合理的常數(shù)，在程序?qū)崿F(xiàn)時(shí)考慮這一點(diǎn)。

對于多維情形y=(y(1),…,y(n))，對每個(gè)分量計(jì)算誤差或直接用其2范數(shù)平方根取代：

(6)

注：本文用下指標(biāo)給樣本編號(hào)，用上指標(biāo)表示分量。

1.2 損失函數(shù)

(7)

這個(gè)損失函數(shù)被稱為(對稱)均方百分誤差。

用代數(shù)方法可以求解絕對誤差下的損失函數(shù)最小化問題，但不能求解損失函數(shù)(7)的最小化問題。相反，本文采用一種常用的梯度下降法(GD)——Adam算法[11-12]，預(yù)測可以得到比最小二乘法更好的解。

(8)

注：導(dǎo)數(shù)中可能出現(xiàn)小數(shù)的三次方除法，故在程序設(shè)計(jì)時(shí)需考慮溢出和梯度值異常。

式中省略了歸一化參數(shù)，C大致為方差的倒數(shù)，這個(gè)值基本決定了置信度。該分布形狀類似于逆Gamma分布，如圖2所示(因?yàn)闅w一化因素的存在，y軸不必顯示刻度)。令相對誤差ε服從“緊支撐的正態(tài)分布”ε～exp{-Cε2},-1≤ε≤ 1，而絕對誤差變成了偏態(tài)的。

圖2 不同估值下y的分布

最后，損失函數(shù)的多維形式為：

就本文的線性模型而言，多維輸出不是本質(zhì)的。因?yàn)槊總€(gè)分量均獨(dú)立，所以只需單獨(dú)對每個(gè)分量應(yīng)用GD，然后對其對應(yīng)的損失函數(shù)值求平均即可。

1.3 損失函數(shù)其它形式

損失函數(shù)：

(9)

稱為(對稱)平均絕對值百分誤差[13]。此時(shí)，梯度為(已省略次要系數(shù))：

其中,符號(hào)函數(shù)：

等價(jià)于，假定y服從下述分布的極大似然估計(jì)。

通?？梢钥紤]：

(10)

不過對GD而言，p=2依然是首選。

2 算法與實(shí)驗(yàn)

本文算法利用Python3.8實(shí)現(xiàn), 運(yùn)行于MacOS10.15上，程序設(shè)計(jì)遵從scikit-learn的API設(shè)計(jì)規(guī)范[14-15]。已在Gitee上公開了所用數(shù)據(jù)、源代碼和運(yùn)行結(jié)果, 網(wǎng)址為https://gitee.com/williamzjc/relinear。

2.1 算法

在此，雖然最小二乘法不再適用，但可以用來初始化參數(shù)。對于可微性較好的相對誤差，采用梯度下降法；對于可微性較差的相對誤差，采用遺傳算法等智能算法。

算法設(shè)計(jì)采用Adam算法優(yōu)化誤差函數(shù)?；咎幚磉^程概括如下：

(1)輸入x、y。

(2)可用最小二乘法初始化θ或隨機(jī)初始化。

(3)根據(jù)式(8)計(jì)算梯度，并用Adam算法優(yōu)化L(θ)，得到最終的θ。

(4)預(yù)測測試數(shù)據(jù)。本算法還具有增量學(xué)習(xí)功能。學(xué)習(xí)未來產(chǎn)生的數(shù)據(jù)時(shí)，可以從當(dāng)前存儲(chǔ)的θ開始迭代，無需初始化。

2.2 實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)來自紹興的一家印染工廠。輸入變量X是樣品在小缸中進(jìn)行實(shí)驗(yàn)的染料濃度，輸出變量Y是正式染色時(shí)的染料濃度。兩者維度為3，因此包含3個(gè)線性模型，每個(gè)模型有4個(gè)參數(shù)，總共134條數(shù)據(jù)。

數(shù)據(jù)被隨機(jī)分成訓(xùn)練數(shù)據(jù)(80%)和測試數(shù)據(jù)(20%)。損失函數(shù)選用式(7)來計(jì)算。將本文算法和多種常用的線性模型相關(guān)算法進(jìn)行比較，測試重復(fù)進(jìn)行50次，產(chǎn)生50份實(shí)驗(yàn)數(shù)據(jù)。最后取這50份實(shí)驗(yàn)數(shù)據(jù)的中位數(shù)作為最終的結(jié)果，并保留4位有效數(shù)字，實(shí)驗(yàn)結(jié)果見表1。

表1 數(shù)值實(shí)驗(yàn)報(bào)告

對數(shù)線性模型測試結(jié)果見表2。

表2 對數(shù)線性模型的數(shù)值實(shí)驗(yàn)報(bào)告

實(shí)驗(yàn)驗(yàn)證了本文算法的有效性。在線性模型中，其表現(xiàn)顯著超越所有算法。但在對數(shù)化模型中，所有算法整體上表現(xiàn)相當(dāng)，其中本文算法的訓(xùn)練誤差稍優(yōu)于其它算法。就本問題而言，對數(shù)化處理似乎非常有效，以至于一定程度上掩蓋了本文算法的作用。為了降低誤差，設(shè)置較高的迭代次數(shù)，同時(shí)也增加了訓(xùn)練時(shí)間。

3 結(jié)束語

在工業(yè)生產(chǎn)中，損失函數(shù)通常有實(shí)際意義，比如y值越小樣本權(quán)重越大。本文最終選擇式(4)和式(7)作為誤差函數(shù)和損失函數(shù)。對稱百分誤差導(dǎo)出的偏態(tài)分布一定程度上接近真實(shí)數(shù)據(jù)的分布情況。

本文算法的核心是通過GD優(yōu)化誤差函數(shù)，通過實(shí)驗(yàn)充分證實(shí)了本文算法的有效性，可應(yīng)用于工業(yè)領(lǐng)域。在精度方面顯著高于其它算法，但是效率較低，有待提高。

未來工作主要尋找并研究其它可行的損失函數(shù)。損失函數(shù)與誤差的分布是聯(lián)系在一起的。因此，構(gòu)造合理的誤差分布也將是未來的任務(wù)之一。