统计学习理论

Background

统计学习的三要素包括模型、策略、算法。

统计学习方法概括如下：

假设数据是由独立同分布产生的

概念：是一个从样本空间\(\mathcal{X}\)到标记空间\(\mathcal{Y}\)的映射，如果对于任何的样例\((x,y)\)都有\(c(x)=y\)，那么称作\(c\)为目标概念，目标概念的集合为目标概念类，记为\(\mathcal{C}\)。

1. 模型：假设要学习的模型属于某一种函数的集合，称为假设空间(Hypothesis Space)
2. 策略：应用某一个评价准则，从从假设空间选取一个最优的模型，使得已知数据和位置数据在模型下有最佳的预测
3. 算法：最优模型的选取有算法实现

假设空间

Mark:不正式的讲，我们在建模的时候，第一步就是要选择一个特定的模型比如 SVM。一旦选择了一个模型，就相当于我们选择了一个假设空间\(\mathcal{H}\)。在一个假设空间里，我们通常会有无数种不同的解，一个优化算法（比如梯度下降法）做的事情就是从中选择最好的一个解或者多个解，当然优化过程要依赖于样本数据。

正式的讲，假设空间\(\mathcal{H}\)是一个函数集合，从输入空间映射至输出空间的函数。

而满足训练集的假设空间称为版本空间，版本空间是假设空间的一个子集，是与训练集一致的假设的集合。

Inductive Bias

如果版本空间中有多个假设，那么我们需要选择一个假设，这就涉及到归纳偏置。归纳偏置是学习算法在学习过程中对某种类型假设的偏好。

然而，确定一个归纳偏置是有歧义的，因为无法定义\(简单\)、\(平滑\)这类概念。因此，归纳偏置是一个经验性的偏好。

我们观察 NFL 定理，我们标记为\(H\)为假设空间，\(\mathcal{L_a}\)为学习算法，\(f\)为目标函数，\(P(h | X, \mathcal{L_a})\)为学习算法在数据集下产生的假设\(h\)的概率

\[E(\mathcal{L_a} | X, f) = \sum_h \mathbb{E} [\mathbb{I}(h(x) \neq f(x)) | h] P(h | X, \mathcal{L_a}) \]

策略

风险函数

我们可以定义损失函数，损失函数越低模型就越好，可以考察损失函数的期望值,被定义为风险函数/期望损失。

\[R_{\text{exp}}(f) = \mathbb{E}_p[L(y, f(x))]= \int_{x,y} L(y, f(x)) p(x, y) \text{d} x \text{d}y \]

然而， 我们一般不能获取到 joint 分布，因此我们经常使用模型\(f(x)\)关于训练集的经验风险/经验损失

\[R_{\text{emp}}(f) = \frac{1}{N} \sum L(y_i, f(x_i)) \]

当\(N \to \infin\)时，根据大数定律，经验损失趋近于期望损失，然而实际情况下训练集样本量很少，需要对经验风险进行矫正，这样就涉及到两种基本策略：经验风险最小化和结构风险最小化。

经验风险最小化就是\(\arg \min_{f \in \mathcal{F}} R_{\text{emp}}(f)\), 当样本容量很小的时候，会产生 over-fitting。

结构风险最小化就是\(\arg \min_{f \in \mathcal{F}} \frac{1}{N} \sum L(y_i, f(x_i)) + \lambda J(f)\)，其中\(J(f)\)时定义在\(f\)上的泛函，可以被称为正则项/罚项。结构风险最小化等价于正则化。

泛化能力

我们在训练集上训练出来的模型，我们希望它在未知的数据上也能有很好的表现，这就是泛化能力。

然而在实践中，很难直接获取泛化能力，我们可以使用获取的测试集上的损失来近似泛化能力。

这样的评价指标一般是不可靠的，因为测试集是有限的，我们定义泛化误差(gernerlization error)，也就是期望风险为

\[R_{\text{exp}}(f) = \mathbb{E}_p[L(y, f(x))]= \int_{x,y} L(y, f(x)) p(x, y) \text{d} x \text{d}y \]

分析学习方法的泛化能力常常通过分析泛化误差上界进行。

bias-variance tradeoff

我们使用偏差和方差两个指标来评价模型的能力。

假设我们训练的时候使用采样的数据集\(D\)，样本真实标记为\(f(x)\)，采样出的标记为\(f(x) + \epsilon\)，\(f(x;D)\)为训练出的模型，\(\epsilon\)为噪声

那么对于回归问题在平均意义下，算法的期望预测为

\[\hat{f}(x) = \mathbb{E}_D [f(x;D)] \]

那么我们可以定义模型的偏差为

\[\text{bias}^2(x) = (\mathbb{E}_D [f(x;D)] - f(x))^2 \]

方差为

\[\text{var}(x) = \mathbb{E}_D[(f(x;D) - \mathbb{E}_D[f(x;D)])^2] \]

那么期望泛化误差为

\[\mathbb{E}_D[(f(x;D) - f(x) - \epsilon)^2] = \text{bias}^2(x) + \text{var}(x) + \epsilon^2 \]

可以简单地理解为，当模型复杂度/训练轮数上升到一定程度时，偏差降低，但是方差上升，因此我们需要在偏差和方差之间取一个平衡。

MLE, MAP, Bayesian

获得数据形式\(X = (x_1, \dots, x_N)^T_{N \times P}\)

• MLE

  假设\(x_i\) ~ \(p(x;\theta)\)

  \[ \theta_{MLE} = \arg \max_\theta p(X;\theta) \]

  当函数 convex 时，可以使用充要条件求梯度=0；当函数 non-convex 时，可以使用EM 算法迭代求解。

  在一定条件下，MLE 和经验风险最小化等价，详见《统计学习方法》习题 1.2

  同时，MLE 等价于 最小化数据分布与真实分布的 KL 散度

  \[\theta^* = \arg \min_\theta - \sum_{i=1}^N \log p_\theta(x_i ; \theta) \approx - \mathbb{E}_{x - p_{data}} [\log p_\theta(x ; \theta)] \\ = \arg \min_\theta - \mathbb{E}_{x - p_{data}} [\log \frac{p_\theta(x ; \theta)}{p_{data}(x)}] \\ = \arg \min_\theta - \int p_{data}(x) \log \frac{p_\theta(x ; \theta)}{p_{data}(x)} dx = \arg \min_\theta KL(p_{data} || p_\theta) \]

• MAP

  \[\theta_{MAP} = \arg \max p(\theta | X) = \arg \max \frac{p(X | \theta) p(\theta)}{\int p(X, \theta) \text{d}\theta} = \arg \max p(X | \theta) p(\theta) \]

  MLE 和 MAP 的最重要的区别是是否将\(\theta\)也作为一个随机变量考察分布。

  但是也在一定方面有联系

1. 比如添加正则的回归和带高斯先验的回归实际上是等价的。

添加 L2 正则的回归，我们的优化目标为

\[W_{MLE} = \arg \min -\log p(X | W) + \lambda \| W \|_2^2 \]

如果是带有高斯先验的 MAP，我们的优化目标为

\[W_{MLE} = \arg \max p(X | W)p(W) = \\ \arg \min - \log p(X| W)p(W) = \\ \arg \min - \log p(X| W) - \log p(W) \]

那么最终第二项会形成一个\(\| W |_2\)的状态

• 样本量逐渐增大时，MAP 逐渐等价于 MLE

\[\lim_{N \to \infin} - \log p(X| W) - \log p(W) = \lim_{N \to \infin} - \sum \log p(x_i | W) - \log p(W) = \\ - \sum \log p(x_i | W) \]

MLE 比 MAP 更容易过拟合。因为 MLE 在求解最优\(\theta\)时，没有对\(\theta\)有先验的指导，因此 X 中包括了一些outlier的数据样本时，就会很轻易让 MLE 去拟合 outlier 样本。而 MAP 加入了对 θ 的先验指导，例如 L2 正则化，那么就不易过拟合了。

• Bayesian Predict

  将\(\theta\)也看作一个分布，但是在预测的时候并不求解最优的一个参数值\(\theta\)，而是直接使用\(\theta\)的分布对所有模型的结果做加权求和。（假设新获取的数据\(\hat{x}\)与\(X\)在给定\(\theta\)条件下独立同分布）

  \[ p(\hat{x}|X) = \int p(\hat{x},\theta | X) \text{d} \theta = \int p(\hat{x} | \theta) p(\theta | X) \text{d} \theta \]

  _Mark: $p(\hat{x},\theta | X) = \frac{p(\hat{x},\theta, X)}{p(X)} = \frac{p(\hat{x} | \theta, X) p(\theta, X)}{p(X)} = \frac{p(\hat{x} | \theta) p(\theta, X)}{p(X)} = p(\hat{x} | \theta) p(\theta | X) \(_ 为了求解\)p(\theta | X)$，就需要对联合分布进行求解：

  \[ p(\theta | X) = \frac{p(X | \theta)p(\theta)}{\int p(X | \theta) p(\theta) \text{d} \theta} \]

  对于联合分布，是非常难以求解的，在经典应用 Markov Random Field 中就有提及，我们可以使用确切推断/近似推断来求解这样一个联合概率，比如说变量消除 or MCMC or 变分推断。