Reminder:  Policy on collaboration on all homework assignments [from syllabus, p.8]:    Collaboration  on  techniques  for  solving  homework  assignments  and  computer problems is allowed, and can be helpful; however, each student is expected to work out, code, and write up his or her own solution.  Use of other solutions to homework assignments  or  computer  problems, from  any  source  including  other  students, before the assignment is turned in, is not permitted.

Please turn in your Homework 1 solution by uploading 2 files to the Homework 1 (Week

3) assignment dropbox in D2L, as follows.  This is required.

(1)   a  single  pdf  file  of  your  solutions  /  answers  to  all  the  homework problems.  Please note:

(a)     Your work can be handwritten or typeset.  If handwritten, just scan it in,

or take a picture with your smartphone and use a scan app to convert it to pdf;  the  result  should  look  like  a  document-scanner  result,  not  a photograph.  Please do not upload pictures in native (picture) format; the quality will be very sensitive to lighting, and might not entirely readable.

(b)    Please check the pdf for readability before uploading, and keep the file

size reasonable (less than 5 MB).

(2)    a second pdf file that contains all your computer code (for Problem 1, and for Problem 4 if you used a computer).  This must be machine readable (not a scan, not a screenshot), and in a single file.

Thank you for cooperating; our grading methods depend on submissions as described above.

1.    Comparison of linear regression using least squares, ridge, and lasso.                   Comment:  for this homework problem, you may use Python libraries NumPy, sklearn, pandas, matplotlib, etc.

After learning the regression part and different regularizations, Bob is interested in trying

them out right away! He starts with the linear regression problem: given that the feature

vector x and the observation y have a linear relationship y  = wT x + w"  + n, estimate the

weight vector w  =  [w# , w2 , … ] and the bias w"  from multiple data points. For simplicity

in writing, we can augment the feature space and now parameters to be estimated can be

written as w  =  [w" , w# , w2 , … ] . Here n is the observation noise on the output labels y.

Bob starts to collect some samples to generate his dataset. He does the collection for

several times and gets several datasets with different numbers of samples:

Could you help him out on analysis on Datasets 1, 2, 3 above?

(a) Given that the dimension of features is 9 (before augmentation), estimate the w and

try three regularization settings: [no regularization, l# regularization, l2

regularization] and report the corresponding statistics. For each regularization setting

to try, you need to search for a good regularization coefficient 入 over the range

− 10 ≤ log2 入 ≤ 10  with step size of 0.5 for  log2 入, and use MSE (mean squared

error) on the validation set to choose the best one.   During the parameter search, you

need to do 5-fold cross validation on each parameter value you try.

Tip:  after finding the best value of 入, use that value for one final training run using all Nt& training data points (nothing held out as a validation set), to get the weight   vector and training MSE.

i.          Fill all your numerical results into the following table. (Each dataset should have a different table. So for this question you’ll have 3 tables.)

ii.         Based on statistics on all datasets, answer the following questions:

1.   Comparison of test MSE with no regularizer, l# regularizer, and l2  regularizer for a given Nt& (your answer might also depend on Nt& )

2.   Does each regularizer lower the corresponding norm of w? by very much? Please explain. Why are these answers different depending on Nt& ?

3.   Observe and explain the dependence of sparsity on regression method, and on different values of Nt& and 入.

Caption for statistics in the table:

•   Best param 入: the regularization coefficient you choose using cross validation.

•   Mean of MSE: the averaged MSE of the 5-fold cross validation process for your chosen 入.

•   Std of MSE: the standard deviation of MSE of the 5-fold cross validation process for your chosen 入.

•    l# (w): l# norm of w

•    l2 (w): l2 norm of w

•    Spars: Sparsity, i.e., the number of zeros in the augmented weight vector

(b) Bob learned that l# regularization could lead to more sparsity, and he really wants to visualize this.  So he collects Datasets 4-9, all for 2-dimensional (before                    augmentation) features:

He tries them out and finds some expected and some unexpected results.

i.          Repeat (a)(i) for all new datasets. (You’ll have 6 tables.)

ii.         For each dataset, draw the following plot in the 2D space w2 vs. w# with w"  = your estimated w" : (1) draw the curve of ‘MSE = training MSE of your          estimated w and ‘MSE=10+training_MSE of your estimated w; (2) draw the

curve for ‖w ‖ l#  = the l# norm of your estimated w. Repeat this plot        drawing for ridge regression results, except for (2) draw the curve for          ‖w ‖ l2  = the l2 norm of your estimated w. (therefore you have 2 plots for each dataset. An example is shown below.)

iii.        Based on the statistics and plots, answer the following questions:

1.   Observe and explain how the plots relate to sparsity.

2.   Can you explain how much effect the regularizer has, from looking at the plots (i.e., how different the regularized performance (MSE) is from the  unregularized performance)

3.   Observe and explain how Lasso has a different effect with the “special case” datasets than the other datasets

Hint: please refer to the example.py code file in the homework folder on how to generate such plots.

2.    Estimating σ2   in linear regression.  You are given a Gaussian model:

p(y |x, e) = N(y |wT x, a2)

and a dataset with N data points.

(a)   Find the MLE of the variance o2 , for a given constant w =  .

(b)   Is the assumption for part (a) that w =  is a constant of a2 , reasonable?  Justify your answer.  (Hint:  consider the MLE solution for  .)

3.    Nonlinear ridge regression. Suppose we use a basis function expansion 中(x) to make ridge regression nonlinear in x  .  Thus the model is:

p(y |x  , e  ) = N (y |wT  p(x), a2)

and the prior on w is a Gaussian as stated in lecture.

(a)    Let 牵 be the data matrix.  Give the objective function J(w, D) in terms of 牵 ,

w ,  y , and 入 .

(b)     Give the  solution for   in terms of the  same quantities.   Briefly justify, or

derive, your result.

4.    Comparison of lossfunctions in logistic regression (log exponential loss), perceptron, and mean-squared error criterion functions, for classification.

For this problem you may use python built-in functions, NumPy, and matplotlib. Note that l is binary with l e {-1, +1}.