林轩田机器学习基石笔记14：Validation

0. 前言

之前的课程讲解了为了避免overfitting，可以使用regularization方法来解决。在之前的EinEinE_{in}上加上一个regularizer，生成EaugEaugE_{aug}，选择合适的λλ\lambda将其最小化，通过减小模型复杂度来增加泛化能力。今天将会介绍另一种增加泛化能力的方法：Validation。

1. Model Selection Problem

在机器学习中，模型选择一直是一个比较麻烦的问题。首先是我们选择算法，有PLA、Pocket、逻辑回归、线性回归一堆算法可以挑选，选完算法之后是迭代次数T的选择，之后是学习速率η的选择，接着是模型特征转换Φ的选择然后是正则化regularizer的选择，有L2，L1等等；最后是正则化系数λ的选择。不同的搭配，有不同的机器学习效果。我们的目标就是找到最合适的搭配，构建最好的机器学习模型。
我们可以做出一个独立于训练样本的测试集，分别对每个模型进行测试，选择EtestEtestE_{test}最小的模型。测试集需要从训练集中分离出来，前提是两者是独立同分布的。

2. Validation

Validation过程：讲已有的数据集D分成两部分：测试集DvalDvalD_{val}和训练集DtrainDtrainD_{train}。对M个分类器分别对测试集和训练集进行分类，最后得到每个分类器的EvalEvalE_{val}和EtrainEtrainE_{train}，其中在测试集中表现最好的分类器（EvalEvalE_{val}最小）为最好的分类器。

3. Leave-One-Out Cross Validation

留一交叉验证：使用训练集对分类器进行训练过之后，使用每一个数据作为测试集进行测试，得到一个误差enene_n，对所有数据便利一遍并取平均值，得到平均误差ElopvalElopvalE_{lopval}此为留一交叉验证。
error 与特征数量的关系如下图所示：

EinEinE_{in}：已有数据误差
EoutEoutE_{out}：泛化的数据误差
EcvEcvE_{cv}：留一交叉验证误差
可以看到我们只要保证EcvEcvE_{cv}尽可能小，就能近似的达到EoutEoutE_{out}尽可能小。

4. V-Fold Cross Validation

留一交叉验证的缺点：
1. 计算量：有N个数据，就要计算N次。
2. 稳定性：如果是个二分问题，预测本身存在不稳定的因素，结果会存在很大的跳动，稳定性不好。
改进方法：V折交叉验证：讲数据先分成几分，比如N=1000，取V=10，那么数据分成十份、每份数据100个样本。每一份的误差为其中样本的平均误差，最终结果为每一份的平均误差。这么处理之后，有更强的稳定性且计算量减少了10倍。

5. 总结

这一节课主要讲解了Validation方法，即讲样本分为训练样本和测试样本。比较了留一交叉验证和V-折交叉验证方法，其中V-折交叉验证是最常用的验证方法。

林轩田机器学习基石笔记14：Validation相关推荐

林轩田机器学习基石笔记5 - Training versus Testing
Recap and Preview 机器学习流程图第一节课,介绍机器学习是要找到最好的g,使g≈f(目标函数),保证Eout(g)≈0.第二节课,找方法使Ein≈0,如PLA和pocket.第四节课 ...
林轩田机器学习基石笔记6 - Theory of Generalization
Restriction of Break Point 四个成长函数与break point: 假设一个hypotheses,它的break point是2.那么当N=1的时候可以取到两个dichoto ...
林轩田机器学习基石笔记（第6节）
第5节主要介绍了机器学习与统计学之间的关系,不用做太多了解,所以也可以跳过,直接进入本节. 今天主要学习的问题就是如何让机器解决是非题,仍然以银行发信用卡为例,就是根据客户提交的资料去判断要不要给该客 ...
林轩田机器学习基石笔记（第10-13节）——机器学习的分类
第10节主要讲到了多元分类(Multiclass Classification)的概念. 第11节主要简单介绍了监督学习(Supervised).非监督学习(Unsupervised).半监督学习(S ...
林轩田机器学习基石笔记3：机器学习分类
笔者正处于学习阶段,任何问题欢迎指正. 0. 前言机器学习通过样本输出维度,输入维度,学习方法等可以分成许多类别,这篇文章主要屡一下这些关系,首先看一下我做的思维导图,下面我会对每一种类别进行介绍. ...
林轩田机器学习基石笔记3—Types of Learning
上节课我们主要介绍了解决线性分类问题的一个简单的方法:PLA.PLA能够在平面中选择一条直线将样本数据完全正确分类.而对于线性不可分的情况,可以使用Pocket Algorithm来处理.本节课将主要 ...
林轩田机器学习基石笔记（第23-24节）——上限函数Bounding Function
本节我们讨论上限函数,所谓的上限函数就是,成长函数露出Break Point的点.只要我们知道了该点的值,就可以知道Hypothesis Set最多可以画多少条Dichotomy. 第20节的时候我们 ...
林轩田机器学习基石笔记2 - Learning to Answer Yes/No
Perceptron Hypothesis Set 感知器,一个具体的例子:评定要不要给用户信用卡,给(y=+1),不给(y = -1) xi:维度 wi:权重 threshold:阈值简化符号,将 ...
台湾大学林轩田机器学习基石课程学习笔记13 -- Hazard of Overfitting
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了非线性分类模型,通过非线性变换,将非线性模型映射到另一个空间,转换为线性模型,再来进行分类,分析了非线性变换可能会使计算复杂度 ...