8.学习理论
1.交叉验证
k-折交叉验证
将数据集划分为k份,每次选取一份作为测试数据,其他的为训练数据。重复k次。计算每次错误的平均值。以此验证模型的性能。
-
随机将训练集 S 切分成 k 个不相交的子集。其中每一个子集的规模为 m/k 个训练样本。这些子集为 S1,⋯,Sk
-
对每个模型 Mi,我们都按照下面的步骤进行评估(evaluate):
对 j=1,⋯,k
-
在 S1∪⋯∪Sj−1∪Sj+1∪⋯∪Sk (也就是除了 Sj 之外的其他数据),对模型 Mi 得到假设 hij 。接下来针对 Sj 使用假设 hij 进行测试,得到经验误差 ϵ^Scv(hij)
对ϵ^Scv(hij) 取平均值,计算得到的值就当作是模型 Mi 的估计泛化误差(estimated generalization error)
-
选择具有最小估计泛化误差(lowest estimated generalization error)的模型 Mi 的,然后在整个训练样本集 S 上重新训练该模型。这样得到的假设 (hypothesis)就可以输出作为最终结果了。
2.特征选择
向前搜索
-
初始化一个集合为空集 F=∅
-
循环下面的过程{
(a) 对于 i=1,⋯,n 如果 i∈/F,则令 Fi=F∪{i},然后使用某种交叉验证来评估特征 Fi
(b) 令 F 为(a)中最佳特征子集
}
-
整个搜索过程中筛选出来了最佳特征子集(best feature subset),将其输出。
算法的外层循环可以在 F={1,⋯,n} 达到全部特征规模时停止,也可以在 ∣F∣ 超过某个预先设定的阈值时停止(阈值和你想要算法用到特征数量最大值有关)。
向后搜索
从F={1,...,n} ,即规模等同于全部特征开始,然后重复,每次删减一个特征,直到 F 为空集时终止。
过滤器特征选择
一种思路是使用 xi 和 y 之间的相关系数的值(或其绝对值),这可以在训练 样本数据中算出。这样我们选出的就是与分类标签(class labels)的关系最密切的特征值(features)。实践中,通常(尤其当特征 xi 为离散值(discrete-valued features))选择 xi 和 y 的互信息( mutual information, MI(xi,y) ) 来作为 S(i) 。
MI(xi,y)=xi∈{0,1}∑y∈{0,1}∑p(xi,y)logp(xi)p(y)p(xi,y)
(上面这个等式假设了 xi 和 y 都是二值化;更广泛的情况下将会超过变量的范围 。)上式中的概率p(xi,y),p(xi) 和 p(y) 都可以根据它们在训练集上的经验分布(empirical distributions)而推测(estimated)得到。
要对这个信息量分值的作用有一个更直观的印象,也可以将互信息(mutual information)表达成 KL 散度(Kullback-Leibler divergence,也称 KL 距离,常用来衡量两个概率分布的距离):
MI(xi,y)=KL(p(xi,y)∥p(xi)p(y))
3.贝叶斯统计和正则化
在本章的开头部分,我们谈到了使用最大似然(maximum likelihood,缩写为 ML)来进行参数拟合,然后根据下面的式子来选择参数:
θML=argθmaxi=1∏mp(y(i)∣x(i);θ)
给定一个训练集合 S={(x(i),y(i))}i=1m,
p(S∣θ)p(S,θ)p(S)=i=1∏mp(y(i)∣x(i),θ)=p(S∣θ)p(θ)=i=1∏mp(y(i)∣x(i),θ)p(θ)=∫θp(S,θ)dθ=∫θ(i=1∏mp(y(i)∣x(i),θ)p(θ))dθ
当我们被要求对一个新的 x 的值进行预测的时候,我们可以计算在参数上的后验分布 (posterior distribution):
p(θ∣S)=p(S)p(S∣θ)p(θ)=∫θ(∏i=1mp(y(i)∣x(i),θ)p(θ))dθ(∏i=1mp(y(i)∣x(i),θ))p(θ)
在上面的等式中,p(yi)∣x(i),θ) 来自你所用的机器学习问题中的模型。例如,如果你使用贝叶斯逻辑回归(Bayesian logistic regression),你可能就会选择 p(y(i)∣x(i),θ)=hθ(x(i))y(i)(1−hθ(x(i)))(1−y(i)) 其中,hθ(x(i))=1/(1+exp(−θTx(i))).
若有一个新的测试样本 x,然后要求我们对这个新样本进行预测,我们可以使用 θ 上的后验分布(posterior distribution)来计算分类标签(class label)上的后验分布:
p(y∣x,S)=∫θp(y∣x,θ)p(θ∣S)dθ
在上面这个等式中,p(θ∣S) 来自等式 (1)。例如,如果目标是要根据给定的 x 来预测对应的 y 的值,那就可以输出4:
4 如果 y 是一个离散值(discrete-valued),那么此处的积分(integral)就用求和(summation)来替代。
E[y∣x,S]=∫yyp(y∣x,S)dy
这里我们简单概述的这个过程,可认为是一种“完全贝叶斯 (fully Bayesian)”预测,其中我们的预测是通过计算相对于 θ 上的后验概率 p(θ∣S) 的平均值而得出的。然而很不幸,这 个后验分布的计算通常是比较困难的。这是因为这个计算需要对 θ 进行积分(integral),而 θ 通常是高维度的(high-dimensional),这通常是不能以闭合形式 (closed-form)来实现的。
因此在实际应用中,我们都是用一个与 θ 的后验分布 (posterior distribution)近似的分布来替代。常用的一个近似是把对 θ 的后验分布(正如等式(2)中所示)替换为一个单点估计(single point estimate)。对 θ 的最大后验估计 (MAP,maximum a posteriori estimate)为:
θMAP=argθmaxi=1∏mp(y(i)∣x(i))p(θ)
注意到了么,这个式子基本和对 θ 的最大似然估计(ML (maximum likelihood) estimate)是一样的方程,除了末尾多了 一个先验概率分布 p(θ)。 实际应用里面,对先验概率分布 p(θ) 的常见选择是假设 θ∼N(0,τ2I)。