StanFord ML 笔记 第六部分&&第七部分

 

---

 

第六部分内容：

　　1.偏差/方差（Bias/variance）

　　2.经验风险最小化（Empirical Risk Minization，ERM）

　　3.联合界（Union bound）

　　4.一致收敛（Uniform Convergence）

第七部分内容：

　　1. VC 维

　　2.模型选择(Model Selection)

 

---

 　　2017.11.3注释：这两个部分都是讲述理论过程的，第一方面太难了，第二方面现在只想快速理解Ng的20节课程。所以这部分以后回头再看！

 

　  2017.11.4注释：这理论还是得掌握，不然看Ng视频干嘛？直接去操作TF算了啊。。。。

 

　　1.偏差/方差（Bias/variance）

 

　　　　https://www.gitbook.com/book/yoyoyohamapi/mit-ml/details，这个是比较简单的，偷懒不写了。

 

　　2.经验风险最小化（Empirical Risk Minization，ERM）

 

　　　　

　　　　定义一个线性分类器

 

 

 

　　　　其中  （note ）

 

　　　　假设有m个训练样本，样本之间是独立同分布的。

 

　　　　定义训练误差：

 

 

　　　　训练误差也被称为风险。

 

　　　　经验风险最小化： 选择分类器函数的参数，使得分类器的训练误差（training error）最小。

 

 

 

 

　　　　让我们换一种考虑方式：我们不是在选择最优分类器函数的参数，而是在选择最优的分类器函数。

 

　　　　定义假设类 

 

 

　　　　假设类的每一个成员都是参数n+1个的线性分类器函数。

 

　　　　重新定义ERM：从假设类H中选取一个函数，使得分类器的训练误差最小。

 

 

　　　　实际上，我们并不关心训练误差的大小，我们关心的是分类器对于未知样本的预测能力，也就是一般误差（generation error）：

 

 

　　3.联合界（Union bound）

 　　　　　　

　　　　注释：这里的两个定理证明很麻烦，直接用就可以了，联合界定理很简单不用叙述，Hoeffding 不等式表示试验次数越多均值越趋向真实的值，比如实验10000次硬币，那就正反的比例为1:1。

　　　　3.1.联合界引理（Union Bound）：

　　　　　　令  表示k个事件，这些事件不一定是独立的，

 

　　　　　　

 

　　　　3.2.Hoeffding 不等式：

 

　　　　　　假设Z1,…,Zm为m个独立同分布（iid,independent and identically distributed）的随机变量,服从于伯努利分布，即

 

 

 

　　　　　　并且

 

  

 

　　　　　　为这些随机变量的均值，给定 ，那么有

 

 

　　　　　　表达的是对真实分布的估计值与真实分布之间的差值大于  的概率的上界，这个上界随着m的增加而指数下降。

 

　　　　　　考虑具有有限假设类的情形：猜想类H具有k个假设

 

　　　　　　ERM会从H中选出具有最小训练误差的假设 

 

 

　　　　注释：对Hoeffding 不等式的简单解释如下-->>

　　　　　　Hoeffding不等式是关于一组随机变量均值的概率不等式。 如果X1,X2,⋯,Xn为一组独立同分布的参数为p的伯努利分布随机变量，n为随机变量的个数。定义这组随机变量的均值为：

　　　　　　对于任意δ>0, Hoeffding不等式可以表示为

　　　　　　上面的公式似乎写的不是很详细，所以我又从网上copy了一份其他的解释：

 

　　　　　　Hoeffding不等式：Hoeffding不等式好像有很多个形式，all of statistics里的感觉较难理解，这里写一种好理解的。令X1,…,Xn为独立同分布随机变量，满足ai≤Xi≤bi。则对于任意t>0有

　　　　　　其中：

 

　　　　　　至于这个公式怎么证明，就不要为难自己了~

　　　　　　而这个公式的用途：

　　　　　　在统计推断中，我们可以利用样本的统计量(statistic)来推断总体的参数(parameter)，譬如使用样本均值来估计总体期望。如下图所示，我们从罐子里抽球，希望估计罐子里红球和绿球的比例。

　　　　　　直觉上，如果我们有更多的样本(抽出更多的球)，则样本期望ν应该越来越接近总体期望μ。事实上，这里可以用hoeffding不等式表示如下：

　　　　　　从hoeffding不等式可以看出，当n逐渐变大时，不等式的UpperBound越来越接近0，所以样本期望越来越接近总体期望。

　　4.一致收敛（Uniform Convergence）　　　

 

　　　　4.1. 训练误差是一个对一般误差的很好的近似

 

　　　　　　首先证明第一项，从猜想类H中任意选取一个假设 ,定义

 

　　　　　　服从伯努利分布，因此

 

　　　　　　其均值是假设的一般误差。

 

　　　　　　训练误差为

 

 

　　　　　　由Hoeffding不等式可知

 

 

　　　　　　假设m很大，即训练样本很多，那么训练误差将会以很大概率近似于一般误差。

 

　　　　　　定义事件  为   发生

 

　　　　　　有

 

 

 

　　　　　　那么对于整个猜想类来说

 

 

=  

 

 

　　　　　　两边同时用1减去

 

 

 

 

　　　　　　也就是说，在不小于  的概率下，对于猜想类H中的所有假设h，其训练误差和一般误差之间的差距将会在  以内。

 

　　　　　　这被称为 一致收敛。

　　　　4.2. ERM选择的假设的一般误差存在上界

 

　　　　　　定义

 

　　　　　　那么给定  和  解出 

 

 

 

　　　　　　意思是，只要你的训练集合包含至少上述m这么多的样本，那么概率至少在  下，有 对H中的所有假设成立。

 

　　　　　　样本复杂度：为了达到一个特定的错误的界，你需要多大的训练集合。

 

　　　　　　误差界：

 

　　　　　　同样的，我们可以固定m和，得到

 

 

 　　　　　　定义为H中具有最小一般误差的假设， 为H中具有最小训练误差的假设，那么至少在  的概率下，有

 

 

 

             

 

             

 

              

 

             

 

　　　　　　也就是说，我们选择的（具有最小训练误差的）假设的一般误差，和具有最小一般误差的假设的一般误差之间的差值存在  的上界。

 

 

　　　　　　直观上，我们可以把第一项  看成是选择假设的偏差，第二项  看成选择假设的方差。

 

　　　　　　当我们将H替换为更复杂的猜想类H'，即H是H'的子集时，第一项只会变的更小，即偏差变小；而由于k的增大，第二项会变的更大，即方差变大。

 

　　　　　　将一切总结为两个定理如下： 

 

 

 

 第七部分：

 

　　7.1VC维空间，VC界讲的很棒

 　　　　　  http://www.flickering.cn/machine_learning/2015/04/vc%E7%BB%B4%E7%9A%84%E6%9D%A5%E9%BE%99%E5%8E%BB%E8%84%89/

 　　

　　7.2模型选择

　　　　7.1.1.交叉验证

　　　　　　训练和测试相互参照

　　　　7.1.2特征选择

　　　　　　控制变量，去观察别的变量对结果的影响

　　　　7.1.3特征过滤

　　　　　　计算特征X_i和Y的相关程度，然后再通过交叉验证去排除

 

 

 

参考：http://blog.csdn.net/u013656184/article/details/50178573

　　　 http://www.cnblogs.com/madrabbit/p/7095575.html#undefined