机器学习 —— 基础整理（一）贝叶斯决策论；二次判别函数；贝叶斯错误率；生成式模型的参数方法

      本文简单整理了以下内容：

（一）贝叶斯决策论：最小错误率决策、最小风险决策；经验风险与结构风险

（二）判别函数；生成式模型；多元高斯密度下的判别函数：线性判别函数LDF、二次判别函数QDF

（三）贝叶斯错误率

（四）生成式模型的参数估计：贝叶斯学派与频率学派；极大似然估计、最大后验概率估计、贝叶斯估计；多元高斯密度下的参数估计

（五）朴素贝叶斯与文本分类（挪到了下一篇博客）

 

（一）贝叶斯决策论：最小风险决策（Minimum risk decision）

      贝叶斯决策论（Bayesian decision theory）假设模式分类的决策可由概率形式描述，并假设问题的概率结构已知。规定以下记号：类别有 $c$ 个，为 $\omega_1,\omega_2,...,\omega_c$ ；样本的特征矢量 $\textbf x\in\mathbb R^d$ ；类别 $\omega_i$ 的先验概率为 $P(\omega_i)$ （prior），且 $\sum_{i=1}^cP(\omega_i)=1$ ；类别 $\omega_i$ 对样本的类条件概率密度为 $p(\textbf x|\omega_i)$ ，称为似然（likelihood）；那么，已知样本 $\textbf x$ ，其属于类别 $\omega_i$ 的后验概率 $P(\omega_i|\textbf x)$ （posterior）就可以用贝叶斯公式来描述（假设为连续特征）：

$$P(\omega_i|\textbf x)=\frac{p(\textbf x|\omega_i)P(\omega_i)}{p(\textbf x)}=\frac{p(\textbf x|\omega_i)P(\omega_i)}{\sum_{j=1}^cp(\textbf x|\omega_j)P(\omega_j)}$$

      分母被称为证据因子（evidence）。后验概率当然也满足和为1，$\sum_{j=1}^cP(\omega_j|\textbf x)=1$ 。如果是离散特征，将概率密度函数（PDF）$p(\cdot)$ 替换为概率质量函数（PMF）$P(\cdot)$ 。

      所以，当类条件概率密度、先验概率已知时，可以用最大后验概率决策（Maximum a posteriori decision），将样本的类别判为后验概率最大的那一类。决策规则为：

$$\arg\max_iP(\omega_i|\textbf x)$$

也就是说，如果样本 $\textbf x$ 属于类别 $\omega_i$ 的后验概率 $P(\omega_i|\textbf x)$ 大于其它任一类别的后验概率 $P(\omega_j|\textbf x)(j\in\{1,...,c\}\setminus \{i\})$ ，则将该样本分类为类别 $\omega_i$。

      一、最小错误率决策：等价于最大后验概率决策

      从平均错误率（平均误差概率） $P(error)$ 最小的角度出发，讨论模型如何来对样本的类别进行决策。平均错误率的表达式为

$$P(error)=\int p(error,\textbf x)\text d\textbf x = \int P(error|\textbf x)p(\textbf x)\text d\textbf x$$

可以看出，如果对于每个样本 $\textbf x$ ，保证 $P(error|\textbf x)$ 尽可能小，那么平均错误率就可以最小。$P(error|\textbf x)$ 的表达式为

$$P(error|\textbf x)=1-P(\omega_i|\textbf x), \text{ if we decide }\omega_i$$

从这个表达式可以知道，最小错误率决策（Minimum error rate decision）等价于最大后验概率决策。

      二、最小风险决策：期望风险最小化。最小错误率决策的推广

      这里定义一个新的量：风险（risk）。首先介绍损失（loss）或称为代价（cost）的概念。

      对于一个 $\omega_j$ 类的样本 $\textbf x$ ，如果分类器 $\alpha(\textbf x)$ 将其分类为 $\omega_i$ 类，则记损失（loss）或称为代价（cost）为 $\lambda_{ij}$ 。显然，当 $j=i$ 时，$\lambda_{ij}=0$ 。

      下面介绍几种常用的损失函数。首先规定一下记号：

      将样本 $\textbf x$ 的真实类别记作 $y\in\{1,2,...,c\}$ ，并引入其one-hot表示 $\textbf y=(0,0,...,0,1,0,...,0)^{\top}\in\mathbb R^c$（只有真实类别的那一维是1即 $\textbf y_y=1$ ，其他维均是0）；

      将分类器的输出类别记为 $\alpha(\textbf x)\in\{1,2,...,c\}$ ，而分类器认为样本属于 $\omega_j $ 类的后验概率为  $\alpha_j(\textbf x)$ ，并将所有类别的后验概率组成向量 $\boldsymbol\alpha(\textbf x)\in\mathbb R^c$ ；

      记损失函数（loss function）为 $L(y,\alpha(\textbf x))=\lambda_{\alpha(\textbf x),y}$ ，可以定义如下几种损失函数：

      i.  0-1损失函数：

$$L(y,\alpha(\textbf x))=1,\text{  if  }y\not=\alpha(\textbf x)\text{  else  }0$$

也可用示性函数表示为 $I(y\not=\alpha(\textbf x))$ ；

      ii.  平方(quadratic)损失函数（回归问题也适用）：

$$L(y,\alpha(\textbf x))=(y-\alpha(\textbf x))^2$$

      iii.  交叉熵(cross entropy)损失函数：

$$L(y,\alpha(\textbf x))=-\sum_{j=1}^c\textbf y_j\log\alpha_j(\textbf x)=-\textbf y^{\top}\log\boldsymbol\alpha(\textbf x)$$

对于现在所讨论的单标签问题实际上就是对数损失函数 $L(y,\alpha(\textbf x))=-\log\alpha_y(\textbf x)$ ；

      iv.  合页(hinge)损失函数：对于二类问题，令标签只可能取-1或1两值，那么

$$ L(y,\alpha(\textbf x))=\max\{0,1-y\alpha(\textbf x)\}$$

      回到主题。

      首先我们引出期望风险（expected risk）的概念：

$$R_{\text{exp}}(\alpha)=\mathbb E[L(y,\alpha(\textbf x))]=\int_{\mathcal X\times\mathcal Y} L(y,\alpha(\textbf x))p(\textbf x,y)\text d\textbf x\text dy$$

也就是说样本损失的期望。当然，这个值是求不出来的，因为假如说可以求出来，就相当于知道了样本和类别标记的联合分布 $p(\textbf x,y)$，那就不需要学习了。这个量的意义在于指导我们进行最小风险决策。顺着往下推：

$$\begin{aligned}R_{\text{exp}}(\alpha)&=\int_{\mathcal X\times\mathcal Y} L(y,\alpha(\textbf x))P(y|\textbf x)p(\textbf x)\text d\textbf x\text d y\\&=\int \biggl(\int L(y,\alpha(\textbf x))P(y|\textbf x)\text dy\biggr)p(\textbf x)\text d\textbf x\\&=\int \biggl(\sum_{y=1}^cL(y,\alpha(\textbf x))P(y|\textbf x)\biggr)p(\textbf x)\text d\textbf x\\&=\int R(\alpha(\textbf x)|\textbf x)p(\textbf x)\text d\textbf x\end{aligned}$$

我们关注这个最后这个形式：

$$R_{\text{exp}}(\alpha)=\int R(\alpha(\textbf x)|\textbf x)p(\textbf x)\text d\textbf x$$

      下面引出条件风险的概念：将一个样本 $\textbf x$ 分类为 $\omega_i$ 类的条件风险定义如下：

$$R(\alpha_i|\textbf x)=\sum_{j=1}^c\lambda_{ij}P(\omega_j|\textbf x)$$

这个式子很好理解，样本 $\textbf x$ 属于类别 $\omega_j(j\in 1,2,...,c)$ 的后验概率是 $P(\omega_j|\textbf x)$，那么取遍每一个可能的类别，用损失进行加权就可以。

      有了一个样本的表达式，就可以换个角度来看期望风险的表达式了：它实际上就是如下的期望的形式

$$R_{\text{exp}}(\alpha)=\mathbb E[L(y,\alpha(\textbf x))]=\mathbb E_{\textbf x}[R(\alpha(\textbf x)|\textbf x)]$$

      所谓的“条件风险”跟此前的错误率有什么联系？为了看得清楚一点，对比一下上面那个平均错误率的式子

$$R_{\text{exp}}(\alpha)=\int R(\alpha(\textbf x)|\textbf x)p(\textbf x)\text d\textbf x$$

$$P(error)= \int P(error|\textbf x)p(\textbf x)\text d\textbf x$$

可以很直接地看出来：风险在这里起到的作用和错误率在之前起到的作用相同，因此风险是错误率的一个替代品，一种推广。

      类似之前的分析，选择对于每个样本都保证条件风险尽可能小的分类规则 $\alpha(\textbf x)$，将使期望风险最小化。

      由此可得，最小风险决策的决策规则为：

$$\arg\min_iR(\alpha_i|\textbf x)$$

      我这里的顺序和 [1] 有点不一样，[1] 是先定义了条件风险 $R(\alpha(\textbf x)|\textbf x)$ ，再按期望的定义得到期望风险 $R_{\text{exp}}(\alpha)$ ； 我这里则是倒过来，从期望风险的直观定义出发，导出了期望风险如何写成条件风险的期望的形式，自然地引出了条件风险的定义。

      如果将损失取成0-1损失，即当 $j\not=i$ 时 $\lambda_{ij}=1$ ，可以推导出条件风险为

$$R(\alpha_i|\textbf x)=\sum_{j=1}^c\lambda_{ij}P(\omega_j|\textbf x)=\sum_{j\not=i}P(\omega_j|\textbf x)=1-P(\omega_i|\textbf x)$$

显然这个形式和最小错误率决策的式子一模一样。因此，在使用0-1损失的时候，最小风险决策退化为最小错误率决策。

      另外，很容易意识到的一个事实是：使用0-1损失函数时，如果把一个本应是 $\omega_i$ 类的样本错分成了 $\omega_j$ 类，与把一个本应是 $\omega_j$ 类的样本错分成了 $\omega_i$ 类，这两种情况下的代价是相等的（只要分错类，代价都是1）。实际上，这种情况在许多场景下是不合理的：例如考虑一个二分类任务，其中有一类的训练样本极少，称为少数类，那么在训练过程中，如果把少数类样本错分为多数类，那么这种决策行为的代价显然应该大于把多数类样本错分为少数类 —— 即使分类器将全部训练样本都分到多数类，那么训练集上的错误率会很低，但是分类器不能识别出任何少数类样本。至于如何解决类不平衡问题，这又是一个新的话题了，之前写过一篇博客简单摘抄了一点。

      三、学习准则：经验风险最小化与结构风险最小化

      刚才提到，我们学习的目标是使期望风险最小；但实际上，期望风险无法求出。给定含 $N$ 个样本的训练集，模型关于训练集的平均损失（训练误差）定义为经验风险（empirical risk）：

$$R_{\text{emp}}(\alpha)=\frac1N\sum_{i=1}^NL(y_i,\textbf x_i)$$

根据大数定律，当样本数趋于无穷时，经验风险趋于期望风险。所以一种学习策略是经验风险最小化（empirical risk minimum，ERM），在样本量足够大的情况下可以有比较好的效果。当模型直接输出后验概率分布、使用对数损失函数时，经验风险最小化等价于极大似然估计（一个非常典型的推导：Logistic回归的推导过程）。

      如果使用0-1损失函数，则经验风险就是训练集上的错误率；如果使用平方损失函数，则经验风险就是训练集上的均方误差（MSE）：

$$R_{\text{emp}}(\alpha)=\frac1N\sum_{i=1}^NI(y_i\not=\alpha(\textbf x_i))$$

$$R_{\text{emp}}(\alpha)=\frac1N\sum_{i=1}^N(y_i-\alpha(\textbf x_i))^2$$

      但是样本量不足时，这样的做法容易招致过拟合（overfitting），因为评价模型是看它的泛化性能，需要其在测试集上有较好的效果，而模型在学习过程中由于过度追求在训练集上的高正确性，可能将学习出非常复杂的模型。因此，另一种策略是结构风险最小化（structural risk minimum，SRM），结构风险是在经验风险的基础上加上一个惩罚项（正则化项），来惩罚模型的复杂度：

$$R_{\text{srm}}(\alpha)=\frac1N\sum_{i=1}^NL(y_i,\textbf x_i)+C J(\alpha)$$

当模型直接输出后验概率分布、使用对数损失函数、模型复杂度由模型的先验概率表示时，结构风险最小化等价于最大后验概率估计。

      四、引入拒识的决策

      在必要情况下，分类器对于某些样本可以拒绝给出一个输出结果（后面可以转交给人工处理）。

      在引入拒识（reject）的情况下，分类器可以拒绝将样本判为 $c$ 个类别中的任何一类。具体来说，损失的定义如下：

$$\lambda_{ij}=\begin{cases} 0 & i=j;\\ \lambda_s & i\not=j; \\ \lambda_r\quad(\lambda_r<\lambda_s) & reject.\end{cases}$$

这里必须有拒识代价小于错分代价，否则就永远都不会对样本拒识了。在这种情况下，条件风险的表达式为

$$R(\alpha_i|\textbf x)=\begin{cases} \lambda_s(1-P(\omega_i|\textbf x)) & i=1,2,...,c;\\ \lambda_r & reject.\end{cases}$$

所以在引入拒识的情况下，最小风险决策为

$$\arg\min_iR(\alpha_i|\textbf x)=\begin{cases} \arg\max_iP(\omega_i|\textbf x) & \text{if}\quad \max_iP(\omega_i|\textbf x)>1-\frac{\lambda_r}{\lambda_s};\\ reject & otherwise.\end{cases}$$

      这里有一个提法：最小风险决策所决定出的贝叶斯分类器被称为贝叶斯最优分类器，相应地，风险被称为贝叶斯风险。但是需要注意，它成为最优分类器的条件是概率密度函数可以被准确地估计。而实际中，这很困难，因为估计概率密度函数的两种方法——参数方法、非参数方法都是贝叶斯分类器的近似。

（二）判别函数（Discriminant function）

      一、判别函数

      判别函数 $g_i(\textbf x)$ 是对分类器的一种描述。分类规则可以描述为：

$$\arg\max_ig_i(\textbf x)$$

也就是说，选择如果样本 $\textbf x$ 使得类别 $\omega_i$ 的判别函数 $g_i(\textbf x)$ 的值最大，大于其他任一类别的判别函数值 $g_j(\textbf x)(j\in\{1,...,c\}\setminus\{i\})$ ，则将它判为 $\omega_i$ 类，这个类别的决策区域记为 $\mathcal R_i$ 。

      特别地，考虑二类分类问题，可得到两个类别的决策面(判别边界)方程为：$g_1(\textbf x)=g_2(\textbf x)$ 。

      对于贝叶斯分类器来说，判别函数的形式可以有多种选择：最小风险决策对应于 $g_i(\textbf x)=-R(\alpha_i|\textbf x)$ ；最小错误率决策对应于 $g_i(\textbf x)=P(\omega_i|\textbf x)$ ，当然还可简化为 $g_i(\textbf x)=p(\textbf x|\omega_i)P(\omega_i)$ ，或者取对数后成为 

$$g_i(\textbf x)=\ln p(\textbf x|\omega_i)+\ln P(\omega_i)$$

      二、多元高斯密度下的判别函数

      对于生成式模型（Generative model），思路在于表征类别内部的特征分布，建模路线是：$\textbf x\rightarrow p(\textbf x|\omega_i)\rightarrow g_i(\textbf x)$ 。这其中的关键就是如何根据样本来估计 $ p(\textbf x|\omega_i)$ 。有两种估计方法：参数方法和非参数方法（高斯混合模型则介于二者之间）。下面就开始先介绍多元高斯密度下的判别函数，再介绍此情形下的参数估计；后面的博客会简单介绍非参数方法。

      参数方法将类条件概率密度 $p(\textbf x|\omega_i)$ 指定为一个显式表示的函数（比如多元高斯密度），然后将估计类条件概率密度转化为了估计函数的参数（比如多元高斯密度的均值向量和协方差矩阵）。

      对于生成式模型来说，由于是不同的类别 $\omega_i$ 的样本是分开学习的，每个类别都有自己的判别函数 $g_i(\textbf x)$ ，不关心彼此之间的区别（相比之下，判别式模型则是所有类别的样本放在一起学习，直接从样本学习判别函数，目的就是区分各个类别），所以下面的讨论中将省略类别信息 $\omega_i$ ，因为每个类别都是一样的过程。

      假设样本 $\textbf x\in\mathbb R^d$ 的类条件概率密度服从多元高斯密度 $p(\textbf x)\sim N(\boldsymbol\mu,\varSigma)$ ，即

$$p(\textbf x)=\frac{1}{(2\pi)^{\frac d2}|\varSigma|^{\frac12}}\exp(-\frac12(\textbf x-\boldsymbol\mu)^{\top}\varSigma^{-1}(\textbf x-\boldsymbol\mu))$$

其中均值向量和协方差矩阵分别为（后面的讨论里，限定协方差矩阵为正定矩阵，从而其行列式为正）

$$\boldsymbol\mu=\mathbb E[\textbf x]=\int\textbf xp(\textbf x)\text d\textbf x$$

$$\varSigma=\mathbb E[(\textbf x-\boldsymbol\mu)(\textbf x-\boldsymbol\mu)^{\top}]=\int(\textbf x-\boldsymbol\mu)(\textbf x-\boldsymbol\mu)^{\top}p(\textbf x)\text d\textbf x$$

分量形式可写为

$$\mu_i=\mathbb E[x_i],\quad \varSigma_{ij}=\mathbb E[(x_i-\mu_i)(x_j-\mu_j)]$$

      协方差矩阵的对角线元素表示各维的方差，非对角线元素表明两维之间的协方差。对于高斯分布来说，独立等价于不相关，所以如果某两维统计独立，则 $\varSigma_{ij}=0$ 。

      （1）多元高斯分布有线性不变性：令 $\textbf y=A^{\top}\textbf x\in\mathbb R^k$ ，则 $p(\textbf y)\sim N(A^{\top}\boldsymbol\mu,A^{\top}\varSigma A)$ 。这个结论可以很轻易的从特征函数（ $\phi(\textbf x)$ ）的角度来证明。

      （2）协方差矩阵的对角化 / 单位化：根据代数的知识我们知道，对于实对称矩阵 $\varSigma$ ，一定可以找到一个正交矩阵 $\varPhi$ ，使特征值分解后成为对角矩阵 $\varLambda$ ：

$$\varSigma\varPhi=\varPhi\varLambda$$

$$\varLambda=\varPhi^{-1}\varSigma\varPhi=\varPhi^{\top}\varSigma\varPhi$$

写成分量形式就是熟悉的特征值分解 $\varSigma\phi_i=\lambda_i\phi_i$，其中 $\varPhi=(\phi_1,...,\phi_d)$ 是各特征向量 $\phi_i\in\mathbb R^d,\quad i\in\{1,...,d\}$ 构成的正交矩阵（ $\varPhi^{\top}\varPhi=I$ ），每个特征向量自身做内积时值为1：$\phi_i^{\top}\phi_i=1$ ，任两个特征向量做内积时值为0：$\phi_i^{\top}\phi_j=0$ ；$\varLambda=\text{diag} (\lambda_1,...,\lambda_d)$ 是各特征值作为对角线元素的对角矩阵。

      基于以上两点，

      i. 可以通过线性变换 $\textbf y=\varPhi^{\top}\textbf x$，将协方差矩阵对角化：$p(\textbf y)\sim N(\varPhi^{\top}\boldsymbol\mu,\varLambda)$ ，值得注意的是主成分分析就是将协方差矩阵对角化的过程，见本系列博客的第四篇；

      ii. 也可以通过白化变换（Whitening transform）$A=\varPhi\varLambda^{-\frac12}$ ，将协方差矩阵单位化（注：在《模式分类》英文版的勘误表上，将这个式子更正为$A=\varPhi\varLambda^{-\frac12}\varPhi^{\top}$ ，但是课后习题有一道涉及白化变换的题目则没有被勘误；这两种形式下都可推出变换后的协方差矩阵 $A^{\top}\varSigma A=I$ 是单位矩阵，所以我也不太清楚到底哪个是对的）。

      下面开始介绍多元高斯密度下的判别函数。我们直接将多元高斯密度的表达式代入 $g_i(\textbf x)=\ln p(\textbf x|\omega_i)+\ln P(\omega_i)$ ，可得到如下的二次判别函数（Quadratic discriminant function）：

$$g_i(\textbf{x})=-\frac12(\textbf{x}-\boldsymbol{\mu}_i)^{\top}\varSigma_i^{-1}(\textbf{x}-\boldsymbol{\mu}_i)-\frac12\ln |\varSigma_i|+\ln P(\omega_i)\underset{\text{与}i\text{无关，可以去掉}}{\underline{-\frac d2\ln2\pi}}$$

在二类情况下，决策面是超二次曲面。

      如果做一定的简化，认为各个类别的协方差矩阵都相等 $\varSigma_i=\varSigma$ ，将上式展开化简，可得到线性判别函数（Linear discriminant function）：

$$g_i(\textbf{x})=(\boldsymbol{\mu}_i^{\top}\varSigma^{-1})\textbf{x}-\frac12\boldsymbol{\mu}_i^{\top}\varSigma^{-1}\boldsymbol{\mu}_i+\ln P(\omega_i)$$

在这种情况下，二类分类的决策面是超平面。

      这里有个坑，就是当协方差矩阵是奇异矩阵，导致其逆矩阵无法计算（MNIST数据集就存在这种情况）。除了降维之外，我认为还可以利用以下两种方法来规避这个问题：

      （1）求伪逆矩阵 $\varSigma^\dagger=(\varSigma^{\top}\varSigma)^{-1}\varSigma^{\top}$ 来代替逆矩阵，伪逆矩阵也满足 $\varSigma^\dagger\varSigma=I$ 。当然了，有可能伪逆也是求不出来的，因为中间也有求逆操作。

      （2）使用Shrinkage策略（正则判别分析），将各个类的协方差矩阵向同一矩阵缩并，还可把矩阵再向单位矩阵缩并：

$$\varSigma_i(\alpha)=\frac{(1-\alpha)n_i\varSigma_i+\alpha n\varSigma}{(1-\alpha)n_i+\alpha n},\quad 0<\alpha<1$$

$$\varSigma(\beta)=(1-\beta)\varSigma+\beta I,\quad 0<\beta<1$$

第二个式子单拿出来看的话，可以认为是对LDF做正则（但由于LDF本身就比较简单，所以该方法过于简单了），第一个式子可以认为是对QDF做正则。这种策略也可以用来缓解过拟合。

      其实吧也不用搞这么复杂，每个类的协方差矩阵都像第二个式子那样，加个很小的扰动就行了。

      这里附上sklearn库中对LDF、QDF以及Shrinkage的介绍：1.2. Linear and Quadratic Discriminant Analysis ，其接口的调用方式无非还是那几行代码，初始化一个类的实例，fit()方法来训练，predict()方法来测试。。。我在上学期实现过（因为第一周课的作业是这个，［逃。。。），QDF在调了Shrinkage那个参数之后（取0.05步长直接搜索调的）在MNIST数据集上降维到500、200、100这三个维度上的accuracy和sklearn库是一样的，当然速度就慢了不止一点半点了哈。下面附上784维时我实现的LDF、QDF在验证集的调参图（降维之后的调参图就不贴了哈太多了），LDF不加正则的效果是最好的，QDF则需要加正则：

 

（三）贝叶斯错误率 

      考虑二类的情况，错误率 $P(error)$ ：

$$\begin{aligned}P(error)=&P(\textbf x\in\mathcal R_2,\omega_1)+P(\textbf x\in\mathcal R_1,\omega_2)\\=&P(\textbf x\in\mathcal R_2|\omega_1)P(\omega_1)+P(\textbf x\in\mathcal R_1|\omega_2)P(\omega_2)\\=&\int_{\mathcal R_2}p(\textbf x|\omega_1)P(\omega_1)\text{d}\textbf x+\int_{\mathcal R_1}p(\textbf x|\omega_2)P(\omega_2)\text{d}\textbf x\end{aligned}$$

      对于一维特征的特殊情况，如下图所示，分类错误率就是阴影面积。而三角形那部分可以去掉从而使错误率最小，什么样的决策规则可以去掉它？当然是 $\arg\max_ip(x|\omega_i)P(\omega_i)$ ，而这正是贝叶斯判决的最小错误率决策。

      这里有个结论（是 [1] 的一道课后习题）：对于一个两类问题，设两类的类条件概率密度都服从多元高斯密度，且两类先验概率相等、协方差矩阵相等，那么贝叶斯错误率为

$$P(error)=\dfrac1{\sqrt{2\pi}}\int_{\frac r2}^{\infty}\exp(-\dfrac{u^2}2)\text{d}u$$

其中平方马氏距离 $r^2=(\boldsymbol{\mu}_1-\boldsymbol{\mu}_2)^{\top}\varSigma^{-1}(\boldsymbol{\mu}_1-\boldsymbol{\mu}_2)$ ，如果能让这个值增大，那么错误率就会减小。考虑协方差矩阵是对角矩阵的情况，可以进一步得到 $r^2=\sum_{i=1}^d(\frac{\mu_{i1}-\mu_{i2}}{\varSigma_i})^2$ ，其中 $\mu_{i1}$ 表示第一类样本的第 $i$ 维特征的均值。可见，如果某一维特征在两类样本上的均值不同，那么它就是有用的；另外，可以通过增加特征的方式，来增加 $r^2$ ，减小错误率。

      但是还是要注意，以上分析的前提是概率密度可以被精确估计。实际上，样本量有限，无法准确估计概率密度。另外，特征增加当然可能使错误率反而增加，除了因为估计不准确之外，还可能是高斯密度这个前提本身就是不准的。而且，样本量小而特征很多，无疑会带来很多麻烦，比如过拟合等。

（四）生成式模型的参数估计

      一、参数估计

      数理统计的基本问题就是根据样本所提供的信息，对总体的分布或者分布的数字特征作出统计推断。所谓总体就是一个具有确定分布的随机变量，参数估计问题就是总体所服从的分布类型已知，但某些参数未知。

      统计学中的两大学派，贝叶斯学派（Bayesian）和频率学派（Frequentist）对于参数估计的看法是不同的。频率学派是直接估计参数的具体值；贝叶斯学派则将参数视作随机变量，估计其分布。极大似然估计（Maximum likelihood estimation，MLE）属于频率学派，贝叶斯参数估计（Bayesian estimation）则属于贝叶斯学派。

      二者有没有联系？有。比如说一维特征的情况，假设类条件概率密度的形式为高斯密度且未知参数为均值（方差已知），参数的先验密度已知为高斯密度：当样本量无穷大时，贝叶斯估计出的均值趋近于MLE估计的均值（这个例子取自[1]）。

      既然说到了参数估计，不妨就总结一下三种估计方法：极大似然估计、最大后验概率估计（Maximum a posteriori，MAP）、贝叶斯估计。

      设要估计的参数为 $\theta$ ，随机变量 $\boldsymbol X$ 的 $n$ 个观测值为 $x_1,...,x_n$ （iid样本，它们整体用 $X$ 代表，可以认为观测数据就是训练集）。首先还是摆上贝叶斯公式，后验等于似然乘先验除以证据：

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

      1. 极大似然估计

      极大似然估计是一种基于观测数据，“概率最大的则最有可能发生”的思路，将似然最大化：

$$\hat\theta_{MLE}=\arg\max_{\theta}p(X|\theta)=\arg\max_{\theta}\prod_{i=1}^np(x_i|\theta)$$

式中 $\prod_{i=1}^np(x_i|\theta)$ 被称为似然函数。通常将其取对数得到对数似然函数，再通过求偏导等于零这个方程来求极大值。式中的 $p(\cdot)$ 是PDF，如果是离散型随机变量需要替换为PMF（ $P(\cdot)$ ）。

      举个例子，抛硬币10次，有3次正面朝上，估计抛一次硬币时正面朝上的概率。在这个例子里，$\boldsymbol X$ 服从二项分布，PMF为： $P(\boldsymbol X=1|\theta)=\theta$ 、$P(\boldsymbol X=0|\theta)=1-\theta$ ，所以

$$\hat\theta_{MLE}=\arg\max_{\theta}\theta^3(1-\theta)^7=0.3$$

      2. 最大后验概率估计

      最大后验概率估计则是将后验最大化。从下面的推导可以看出，它不光依赖观测数据，还引入了对于参数的先验知识，这对于观测数据有问题（比如，观测值太少）的情况很有利，因为先验可以认为是“已经知道它大概是什么样的”：

$$\hat\theta_{MAP}=\arg\max_{\theta}p(\theta |X)=\arg\max_{\theta}p(X|\theta)p(\theta)$$

优化目标的第一项因子就是似然。当参数的先验分布是均匀分布时，MLE和MAP等价。

      还是上面的例子，设先验为 $\theta\sim N(0.5,1)$ ，即 $p(\theta)=\frac{1}{\sqrt{2\pi}}\exp(-\frac{(\theta-0.5)^2}{2})$ ，那么

$$\hat\theta_{MAP}=\arg\max_{\theta}\theta^3(1-\theta)^7\cdot \frac{1}{\sqrt{2\pi}}\exp(-\frac{(\theta-0.5)^2}{2})$$

      3. 贝叶斯估计（这部分写得有点乱）

      贝叶斯估计则是将参数看作随机变量，估计其后验密度 $p(\theta |X)$ ，并希望它在真实值 $\theta$ 附近有显著尖峰：

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

其中 $p(X|\theta)=\prod_{i=1}^np(x_i|\theta)$ 。对于测试样本 $x$ ，可以得到概率密度：

$$p(x|X)=\int p(x,\theta |X)\text d\theta=\int p(x|\theta ,X)p(\theta |X)\text d\theta$$

因为测试样本和训练集无关，所以

$$p(x|X)=\int p(x|\theta)p(\theta|X)\text d\theta$$

通过这个式子，概率密度 $p(x|X)$ 和参数的后验密度 $p(\theta|X)$ 被联系起来（注意 $X$ 的分布形式已知，所以 $p(x|\theta)$ 的形式已知），说明参数的后验分布可以对概率密度的估计产生影响。

      在实际使用中，有以下几种情况：

      (1) 如果参数的后验密度 $p(\theta |X)$ 在值 $\hat\theta$ 处也有显著尖峰，那么概率密度 $p(x|X)\approx p(x|\hat\theta)$ 。换句话说，取 $\hat\theta$ 作为参数的估计值。实际上就是MAP。

      (2) 如果对参数的真实值没有把握，上式说明 $p(x|X)$ 应该是 $p(x|\theta)$ 对所有可能的 $\theta$ 取平均值。所以另外一种做法是，求得参数的后验密度 $p(\theta |X)$ 之后，进行 $M$ 次采样，得到一系列 $\theta_i\sim p(\theta |X)$ ，从而取平均值：$p(x|X)\approx\dfrac1M\sum_{i=1}^Mp(x|\theta_i)$ 。

      二、多元高斯密度下的参数估计

      这里直接上结论了：使用MLE估计多元高斯密度的均值向量和协方差矩阵，其估计结果将是下面的形式（从协方差的分母知道，它是有偏的）：

$$\hat{\boldsymbol\mu}=\dfrac1n\sum_{k=1}^n\textbf x_k$$

$$\hat\varSigma=\dfrac1n\sum_{k=1}^n(\textbf x_k-\hat{\boldsymbol\mu})(\textbf x_k-\hat{\boldsymbol\mu})^{\top}$$

      如果要使用无偏估计，则需要把第二个式子中的分母改成 $n-1$ ，减去1的意义是自由度减少了1，因为用来估计了均值。

      以下迭代公式提供了在线更新均值向量和协方差矩阵的方式（也是课后习题）：每当新来一个样本 $\textbf x_{n+1}$，均值向量和协方差矩阵的估计值可更新为

$$\hat{\boldsymbol\mu}^{(n+1)}=\hat{\boldsymbol\mu}+\frac{1}{n+1}(\textbf x_{n+1}-\hat{\boldsymbol\mu})$$

$$\hat\varSigma^{(n+1)}=\frac{n-1}{n}\hat\varSigma+\frac{1}{n+1}(\textbf x_{n+1}-\hat{\boldsymbol\mu})(\textbf x_{n+1}-\hat{\boldsymbol\mu})^{\top}$$

      

 

 

参考资料：

[1] 《模式分类》及slides

[2] 《统计学习方法》