Day2 《机器学习》第二章学习笔记

　　这一章应该算是比价了理论的一章，我有些概率论基础，不过起初有些地方还是没看多大懂。其中有些公式的定义和模型误差的推导应该还是很眼熟的，就是之前在概率论课上提过的，不过有些模糊了，当时课上学得比较浅。

Day2 第二章 模型评估与选择

2.1 经验误差与过拟合

　　通常我们把分类错误的样本数占样本总数的比例称为“错误率（error rate）”，即错误率E=a/m，m个样本中a个错误，1-a/m称为“精度（accuracy）”，我们把学习器的实际输出与样本的真实输出之间的差异称为“误差（error）”，学习期在训练机上的误差称为“训练误差（training error）”或“经验误差（empirical error）”，在新样本上的误差叫做“泛化误差（generation error）”，显然，我们做机器学习，就是希望得到泛化误差小的学习器。

　　一个好的学习器，应该从训练样本中尽可能学出适用于所有潜在样本的“普遍规律”，注意，这里说的“普遍规律”。这里就涉及到学习器的两个概念：“过拟合（overfitting）”和“欠拟合（underfitting）”。过拟合：就是学习器把本学得太好了，把训练样本自身的一些特点当做了潜在样本都会有的一般性质了，欠拟合：顾名思义，就是对训练样本的一般性质还没学好。导致过拟合的因数很多，最常见的是由于学习能力过于强大，把样本不太一般的特性都学会了，而欠拟合是由于学习能力低下造成的。欠拟合容易克服，过拟合不好克服（要构造性地证明 “P=NP”，只要相信“P≠NP”，过拟合就不可避免），比较麻烦。

2.2 评估方法

　　通常，我们可通过实验测试来对学习器的泛化误差进行评估进而做出选择。

　　为此，我们需要使用一个“测试集（testing set）”来测试学习器对新样本的判别能力，然后以测试集上的“测试误差（testing error）”作为泛化误差的近似。这里说到的测试集，来自于数据集，应该尽可能与训练集排斥，即测试样本尽量不在训练集中出现，未在训练集中使用过，这很好理解：学完一门课，老师出了10道习题用作课后练习，如果老师想要考察同学们对着门课的学习情况，如果用这10道习题用作考题，显然得不到正确的考察结果。但是，我们如果只有一个包含m个样本的数据集D={（x₁, y₁）,（x₂, y₂），…，（x_m, y_m）}，既要训练，又要测试，我们就要对D做适当的处理，从中产生训练集S和测试集T，有以下常见做法：

　　2.2.1 留出法

“留出法（hold-out）”直接将数据集D划分为两个互斥的集合，训练集S和测试集T，即D=S∪T，S∩T=∅。我们通常将数据集的大约2/3~4/5的样本用作训练，剩余样本用作测试。

　　2.2.2 交叉验证法

“交叉验证法（cross validation）”先将数据集D划分为k个大小相似的互斥子集，即D=D₁∪D₂∪…∪D_k， D_i∪D_j=∅（i≠j），且每个子集D_i都尽可能保持原数据分布的一致性。然后，每次用k-1个子集的并集作为训练集，余下的一个子集做测试集，这样就可以获得k组训练/测试集，从而进行k次训练和测试，最终返回的是k个测试结果的平均值，因此，我们通常把交叉验证法称为“k折交叉验证法（k-fold cross validation）”。其中的一个特例是k=m：留一法（Leave-One-Out，简称LOO）。

　　2.2.3 自助法

我们希望评估的是用D训练出的模型，但留出法和交叉验证法中，由于保留了一部分样本用作测试，因此实际评估的模型使用的训练集比D小，这必然会引入一些因训练集规模不同而导致的估计偏差。“自助法（bootstrapping）”是一个比较好的解决方案，它直接以自助采样法（bootstrap sampling）为基础。用自助法通过一些列处理，达到的效果是：实际评估的模型和期望评估的模型都使用m个训练样本，而仍有数据总量约1/3的、没在训练集中出现的样本用于测试，这样的测试结果，也叫“包外估计（out-of-bag estimate）”。自助法在数据集较小。难以有效划分训练/训练集时很有用。

　　2.2.4 调参和最终模型

大多数的学习算法都有些参数（parameter）需要设定，参数配置不同，学得的模型的性能有显著差别。

2.3 性能度量

对学习器的泛化性能进行评估，不仅需要有效可行的实验估计方法，还需要有衡量泛化能力的评价标准，这就是性能度量（performance measure）

　　2.3.1 错误率和精度

　　2.3.2 查准率、查全率和F1

　　2.3.3 ROC和AUC

ROC全称“受试者工作特征（Receiver Operating Characteristic）”曲线，源自于“二战”中用于敌机检测的雷达信号分析技术，二十世纪六七十年代开始别用于一些心理学、医学检测应用中，此后别引入机器学习领域。AUC（Area Under ROC Curve），AUC可通过对ROC曲线下各部分的面积求和而得。

　　2.3.4 代价敏感错误率和代价曲线

2.4 比较检验（对这一块知识没看太懂后续多看几遍）

有了实验评估方法和性能度量，可以使用某种实验评估方法测得学习器的某个性能度量，然后对这些结果进行比较，但问题是如何做这个“比较”。

统计假设检验“hypothesis test”为上面说的学习器性能比较提供了重要的依据。

　　2.4.1 假设检验

　　概率论和统计学上面的概念

　　2.4.2 交叉验证t检验

　　2.4.3 McNemar检验

　　2.4.4 Friedman 检验和Nemenyi后续检验

2.5 偏差与方差

　　自助采样法在机器学习中有重要用途。ROC曲线在二十世纪八十年代后期被引入机器学习，AUC则是从九十年代中期在机器学习领域广为使用。

　　（第二章笔记到此，继续学习后续章节）