【学习笔记】二分类问题中的“最大似然”与“交叉熵损失”概念的理解
接触机器学习有一段时间了，对于“似然”与“交叉熵”这两个概念，有多位老师都讲到过，但我对这两个概念的理解一直不怎么清晰，看网上的各种资料也是一头雾水，这两天复习的时候终于有所开悟了，于是记录下自己对这两个概念的一点理解
考虑如下一类问题：给定数据集\([\bm{x_1},\bm{x_2},...,\bm{x_n}]\)(\(\bm{x_i}\)是\(m\)维向量)和对应的标签\([y_1,y_2,...,y_n]\)(\(y_i∈\{0,1\}\))，找出一个\(m\)维向量\(\bm{w}\)，可以通过\(\bm{w}\)与\(\bm{x_i}\)去估计\(y_i\)的值，使得对数据集的分类效果最好
如何刻画这个“分类效果”呢？首先我们考虑如何通过向量\(\bm{w}\)与\(\bm{x}\)去估计\(y\)的值，为此需要引入一个函数\(f(\bm{x},\bm{w})\)，其值域为\((0,1)\)，表示特征向量\(\bm{x}\)在\(\bm{w}\)的作用下被分为第1类的概率，由于\(y\)的值非0即1，因此知道了\(\bm{x}\)被分为1的概率，也就知道了\(\bm{x}\)被分为0的概率。我们接下来要做的就是找到\(f(\bm{x},\bm{w})\)的一个具体的表达式
一个广泛应用的表达式是\(f(\bm{x},\bm{w})=\sigma (\bm{w}^T\bm{x})\)，其中\(\sigma(z)=\frac{1}{1+e^{-z}}\)是经典的sigmoid函数。这个表达式是怎么来的呢？首先看\(\bm{w}^T\bm{x}\)，即\(\bm{w}\)与\(\bm{x}\)的点积，它反映了向量\(\bm{x}\)各个维度上的加权和，因为现实中一个模式可能与多个特征相关，其中有的特征与模式的相关性大，而有的相关性小，因而\(\bm{w}^T\bm{x}\)生动地刻画了各个特征与模式相关性间的差异，而且简单粗暴，具有计算量小的优点。而\(\sigma(z)\)的定义域为\((-∞,+∞)\)，值域为\((0,1)\)，\(\sigma (\bm{w}^T\bm{x})\)正好可以将值域为\((-∞,+∞)\)的\(\bm{w}^T\bm{x}\)映射到\((0,1)\)中，且单调性保持一致，这样就可以代表\(\bm{x}\)被标注为1的概率了
\(f(\bm{x},\bm{w})\)确定下来了，但是这还不够。假设现在给定了一个\(\bm{w}\)，我们不仅要估计\(\bm{x}\)被标注为1的概率，还要估计\(\bm{x}\)被标注为\(y\)的概率\(P(y|\bm{x},\bm{w})\)，从而估计整个数据集被标注为\(y_1,y_2,...,y_n\)的概率\(P(y_1,y_2,...,y_n|\bm{w})\)。\(P(y|\bm{x},\bm{w})\)很好求，显然，当y=1时，\(P(y|\bm{x},\bm{w})=f(\bm{x},\bm{w})\)；当y=0时，\(P(y|\bm{x},\bm{w})=1-f(\bm{x},\bm{w})\)。但是这样分情况讨论看着很难受，有没有一个统一的函数能表示呢？答案是肯定的，这个函数就是\(f(\bm{x},\bm{w})^y(1-f(\bm{x},\bm{w}))^{1-y}\)，其实就是伯努利分布的公式，因此得到\(P(y|\bm{x},\bm{w})=f(\bm{x},\bm{w})^y(1-f(\bm{x},\bm{w}))^{1-y}\)。然后就可以估计\(P(y_1,y_2,...,y_n|\bm{w})\)的值了，由于各个样本都是独立的，因此就是各个\(P(y_i|\bm{x_i},\bm{w})\)的乘积，即\(P(y_1,y_2,...,y_n|\bm{w})=\prod_1^n f(\bm{x_i},\bm{w})^{y_i}(1-f(\bm{x_i},\bm{w}))^{1-y_i}\)
\(P(y_1,y_2,...,y_n|\bm{w})\)确定下来了，接下来就要确定\(\bm{w}\)的值了。如何评价\(\bm{w}\)选取的好坏呢？为此我们再引入一个函数\(p(\bm{w}|y_1,y_2,...,y_n)\)表示估计值为\([y_1,y_2,...,y_n]\)时(\([\bm{x_1},\bm{x_2},...,\bm{x_n}]\)的值固定)权向量为\(\bm{w}\)的概率密度(因为\(\bm{w}\)的取值是连续的)，\(p(\bm{w}|y_1,y_2,...,y_n)\)最大的那个\(\bm{w}\)就是我们要找的\(\bm{w}\)。但我们此时只知道由\(\bm{w}\)的值得到估计值\([y_1,y_2,...,y_n]\)的概率，而现在要反过来通过估计值\([y_1,y_2,...,y_n]\)求\(\bm{w}\)的概率密度，怎么办呢？根据贝叶斯公式的积分形式，可以得到：\(p(\bm{w}|y_1,y_2,...,y_n)=\frac{p(\bm{w})P(y_1,y_2,...,y_n|\bm{w})}{\int p(\bm{w})P(y_1,y_2,...,y_n|\bm{w})}\)，其中\(p(\bm{w})\)表示\(\bm{w}\)的先验概率密度，然后发现问题了：\(p(\bm{w})\)是多少？回头一想发现，\(p(\bm{w})\)根本没法求！因为\(\bm{w}\)本身就是我们人为引入的一个东西，不是真实存在的，而且就连\(f(\bm{x},\bm{w})\)这个“概率”本身也不是真实的概率，而是我们引入的一个度量方式，只是把它当做“概率”处理而已！既然\(p(\bm{w})\)没法求，那么干脆众生平等算了，让所有\(\bm{w}\)的先验概率密度都相等，这样\(p(\bm{w}|y_1,y_2,...,y_n)\)就只与\(P(y_1,y_2,...,y_n|\bm{w})\)的大小有关了，我们用\(P(y_1,y_2,...,y_n|\bm{w})\)的大小去估计\(p(\bm{w}|y_1,y_2,...,y_n)\)的大小，这个\(P(y_1,y_2,...,y_n|\bm{w})\)就是关于\(\bm{w}\)的似然函数，记为\(L(\bm{w})\)，即\(L(\bm{w})=P(y_1,y_2,...,y_n|\bm{w})=\prod_1^n f(\bm{x_i},\bm{w})^{y_i}(1-f(\bm{x_i},\bm{w}))^{1-y_i}\)，于是我们的问题转化成了求使得\(L(\bm{w})\)最大的\(\bm{w}\)，因此称为最大似然估计(Maximum Likelihood Estimation,MLE)，这个问题就可以交给机器学习处理了
由于\(L(\bm{w})\)是一连串在(0,1)之间的数的乘积，如果样本足够大的话，\(L(\bm{w})\)会很小很小，超出了计算机精度的忍受范围，因此我们需要做的不是计算\(L(\bm{w})\)本身，而是计算它的对数\(l(\bm{w})=\sum_1^n(y_i \log f(\bm{x_i},\bm{w})+(1-y_i)\log (1-f(\bm{x_i},\bm{w})))\)(注意\(l(\bm{w})\)一定是负的，因为\(f(\bm{x_i},\bm{w})\)和\(1-f(\bm{x_i},\bm{w})\)都在\((0,1)\)内，因此\(\log f(\bm{x_i},\bm{w})\)和\(\log (1-f(\bm{x_i},\bm{w}))\)都在\((-∞,0)\)内)，我们的目标是使得\(l(\bm{w})\)最大，即\(-l(\bm{w})=\sum_1^n-(y_i \log f(\bm{x_i},\bm{w})+(1-y_i)\log (1-f(\bm{x_i},\bm{w})))\)最小，这个\(-l(\bm{w})\)就是经典的交叉熵损失函数(Cross Entropy Loss,CELoss)
