机器学习（三）——朴素贝叶斯方法、SVM（1）

http://antkillerfarm.github.io/

高斯判别分析（续）

将上面三个分布的概率密度函数代入第二节公式7，可求得$\arg\max_yp(y\vert x)$，然后进行最大似然估计，可得该GDA的最大似然估计参数为：（过程略）

$$\phi=\frac{1}{m}\sum_{i=1}^m1\{y^{(i)}=1\}$$

$$\mu_0=\frac{\sum_{i=1}^m1\{y^{(i)}=0\}x^{(i)}}{\sum_{i=1}^m1\{y^{(i)}=0\}}$$

$$\mu_1=\frac{\sum_{i=1}^m1\{y^{(i)}=1\}x^{(i)}}{\sum_{i=1}^m1\{y^{(i)}=1\}}$$

$$\Sigma=\frac{1}{m}\sum_{i=1}^m(x^{(i)}-\mu_{y^{(i)}})(x^{(i)}-\mu_{y^{(i)}})^T$$

上图中的直线就是分界线

$$p(y=1\vert x)=0.5$$ 。

GDA vs 逻辑回归

$$\begin{align}p(y=1\vert x)&=\frac{p(x\vert y=1)p(y=1)}{p(x\vert y=1)p(y=1)+p(x\vert y=0)p(y=0)} \\&=\frac{\frac{1}{A}\exp(f(\mu_0,\Sigma,x))\phi}{\frac{1}{A}\exp(f(\mu_0,\Sigma,x))\phi + \frac{1}{A}\exp(f(\mu_1,\Sigma,x))(1-\phi)} \\&=\frac{1}{1+\frac{\exp(f(\mu_1,\Sigma,x))(1-\phi)}{\exp(f(\mu_0,\Sigma,x))\phi}} \\&=\frac{1}{1+\exp(f(\mu_1,\Sigma,x)+\log(1-\phi)-f(\mu_0,\Sigma,x)-\log(\phi))} \\&=\frac{1}{1+\exp(-\theta^Tx)} \end{align}$$

从上面的变换可以看出，GDA是逻辑回归的特例。

一般来说，GDA的条件比逻辑回归严格。因此，如果模型符合GDA的话，采用GDA方法，收敛速度（指所需训练集的数量）比较快。

而逻辑回归的鲁棒性较好，对于非GDA模型或者模型不够准确的情况，仍能收敛。

互不相容事件、独立事件与条件独立事件

如果$P(AB)=0$，则事件A、B为互不相容事件。

如果$P(AB)=P(A)P(B)或P(A)=P(A\vert B)$，则事件A、B为独立事件。

如果$P(AB\vert R)=P(A\vert R)P(B\vert R)$，则事件A、B为条件R下的独立事件。

可见，这三者是完全不同的数学概念，不要搞混了。

朴素贝叶斯方法

这里以文本分析（Text Classification）为例，讲解一下朴素贝叶斯（Naive Bayes）方法。

文本分析的一个常用方法是根据词典建立特征向量x。x中的每个元素代表词典里的一个单词，如果该单词在文本中出现，则对应的元素值为1,否则为0。

这里假设我们的目标是通过文本分析，判别一个email是否是垃圾邮件。$y=1$表示是垃圾邮件，$y=0$表示不是垃圾邮件。显然，在这里一封邮件就是一个样本集。

相比之前的应用领域，文本分析的特殊之处在于词典中的单词数量十分庞大，从而导致x的维数巨大（比如50000个单词，就是50000维），以至于之前的方法，根本无法计算。

为了简化问题，我们假设$p(x_i\vert y)$是条件独立的。这个假设被称为朴素贝叶斯假设（Naive Bayes (NB) assumption）。使用这个假设的算法被称为朴素贝叶斯分类器（Naive Bayes classifier）。

从数学角度，NB假设是个很严格的条件，但是实际使用中，即使样本集不满足NB假设，使用NB方法的效果一般还是不错的。

$$\begin{align}p(x_1,\dots,x_{50000}\vert y)&=p(x_1\vert y)p(x_2\vert y,x_1)p(x_3\vert y,x_1,x_2)\cdots p(x_{50000}\vert y,x_1,\dots,x_{49999})(条件概率的乘法公式) \\&=p(x_1\vert y)p(x_2\vert y)p(x_3\vert y)\cdots p(x_{50000}\vert y)(NB假设)=\prod_{i=1}^np(x_i\vert y) \end{align}$$

因此：

$$\begin{align}p(y=1\vert x)&=\frac{p(x\vert y=1)p(y=1)}{p(x)} \\&=\frac{(\prod_{i=1}^np(x_i\vert y=1))p(y=1)}{(\prod_{i=1}^np(x_i\vert y=1))p(y=1)+(\prod_{i=1}^np(x_i\vert y=0))p(y=0)}\tag{1} \end{align}$$

最大似然估计值为：

$$\phi_{j\vert y=1}=p(x_j=1\vert y=1)=\frac{\sum_{i=1}^m1\{x_j^{(i)}=1\land y^{(i)}=1\}}{\sum_{i=1}^m1\{y^{(i)}=1\}}$$

$$\phi_{j\vert y=0}=p(x_j=1\vert y=0)=\frac{\sum_{i=1}^m1\{x_j^{(i)}=1\land y^{(i)}=0\}}{\sum_{i=1}^m1\{y^{(i)}=0\}}$$

$$\phi_y=p(y=1)=\frac{\sum_{i=1}^m1\{y^{(i)}=1\}}{m}$$

NB算法还可以扩展到y有多个取值的情况。对于y为连续函数的情况，可以采用区间离散化操作，将之离散化为多个离散值。

拉普拉斯平滑

对于样本集中未出现的单词，在其首次出现时，由于先验概率$p(x_i\vert y=1)=0,p(x_i\vert y=0)=0$，这时公式1会出现$\frac{0}{0}$的情况。

为了避免这种情况，我们假定先验概率至少为1次，也就是

$$\phi_j=p(y=j)=\frac{\sum_{i=1}^m1\{y^{(i)}=j\}+1}{m+k}$$

这种方法叫做拉普拉斯平滑（Laplace Smoothing）。注意这里$\phi$的定义和上面略有不同，上面的公式中，y是二值分布，而这里是多值分布（值为k）。为了满足概率和为1的条件，分母上需要加k。

文本分类的事件模型

文本分类的事件模型有两类：

1.多值伯努利事件模型（multi-variate Bernoulli event model）。

在这个模型中，我们首先随机选定了邮件的类型（垃圾或者普通邮件，也就是$p(y)$），然后翻阅词典，随机决定一个词是否要在邮件中出现，出现则$x_i$标示为1，否则标示为0。然后将出现的词，组成一封邮件。一个词是否出现的概率为$p(x_i\vert y)$，整封邮件的概率为$p(y)\prod_{i=1}^np(x_i\vert y)$。

2.多项事件模型（multinomial event model）。

令$x_i$表示邮件的第i个词在字典中的位置，那么$x_i$的取值范围为${1,2,...\lvert V\rvert}$，$\lvert V\rvert$表示字典中单词的数目。这样一封邮件可以表示成$(x_1,x_2,\dots,x_n)$，这里n为邮件包含的单词个数，显然每个邮件的n值一般是不同的。

这相当于重复投掷$\lvert V\rvert$面的骰子，将观察值记录下来就形成了一封邮件。每个面的概率服从$p(x_i\vert y)$，而且每次试验条件独立。这样我们得到的邮件概率是$p(y)\prod_{i=1}^np(x_i\vert y)$。

需要注意的是，上面两个事件模型的概率公式虽然一致，但含义却有很大差异，不要弄混了。

支持向量机

支持向量机（SVM，Support Vector Machines）是目前最好的监督学习算法。它由Vladimir Naumovich Vapnik与Alexey Ya. Chervonenkis于1963年提出。

注：Vladimir Naumovich Vapnik，1936年生，乌兹别克国立大学学士，莫斯科控制科学学院博士，后成为该学院计算机科学研究部门负责人。1990年代末移民美国，先后供职于AT&T Bell、NEC、Facebook，伦敦大学和哥伦比亚大学教授。

Alexey Yakovlevich Chervonenkis，1938～2014，俄罗斯数学家。俄罗斯科学院院士，伦敦大学教授。

我们首先来看一幅图：

上图中的x和o分别代表y的两种不同取值（1和0）。前面提到逻辑回归的预测函数为$h_\theta(x)=g(\theta^Tx)$，那么图中直线的解析方程就是$\theta^Tx=0$。这条直线被称作分割超平面（Separating Hyperplane），也就是预测值的分界线。

图中的三个点A、B、C，虽然都在线的上方，然而从直觉来说，A离分界线最远，我们对它的值为1的信心也最足。反观C点，由于离分界线比较近，我们对其值的预测，实际上并没有多大把握。因为这种情况下，样本集的少许调整，就会导致分界线的移动，从而导致预测值的改变。B点的情况介于A和C之间。

和逻辑回归不同，SVM更关心靠近分界线的点，让他们尽可能地远离分界线，而不是在所有点上都达到最优。

为了便于后续讨论，我们对$h_\theta(x)$进行改写：$h_{w,b}(x)=g(w^Tx+b)$。其中b为常数项，即$x_0$的系数项，w为其余的$x_i$的系数项。

同时对$g(z)$的定义也调整为：

$$g(z)=\begin{cases} 1, & z\ge 0 \\ -1, & z<0 \\ \end{cases}$$

这个定义的好处在于$g(z)$的取值，只和z的符号相关，而和其绝对值的大小无关。

函数边距和几何边距

为了定义样本点和边界线的距离，我们引入函数边距（functional margin）和几何边距（geometric margins）的定义。

函数边距的定义如下：

$$\hat\gamma=\min_{i=1,\dots,m}\hat\gamma^{(i)},\hat\gamma^{(i)}=y^{(i)}(w^Tx^{(i)}+b)$$

几何边距的几何意义如上图所示。w是分界线的法向量，A的坐标是$x^{(i)}$，它到分界线的距离是$\gamma^{(i)}$，根据解析几何知识可知，A到分界线的垂足B的坐标为$x^{(i)}-\gamma^{(i)}\frac{w}{\|w\|}$。将其代入分界线方程$w^Tx+b=0$，可得：

$$w^T\left(x^{(i)}-\gamma^{(i)}\frac{w}{\|w\|}\right)+b=0\Rightarrow w^Tx^{(i)}-\gamma^{(i)}\frac{w^Tw}{\|w\|}+b=0$$

$$\Rightarrow w^Tx^{(i)}+b=\gamma^{(i)}\frac{\|w\|^2}{\|w\|}\Rightarrow \gamma^{(i)}=\frac{w^Tx^{(i)}+b}{\|w\|}=\left(\frac{w}{\|w\|}\right)^Tx^{(i)}+\frac{b}{\|w\|}$$

正是A在边界线上方时的情况，扩展到整个坐标系的话，上式可改为：

$$\gamma^{(i)}=y^{(i)}\left(\left(\frac{w}{\|w\|}\right)^Tx^{(i)}+\frac{b}{\|w\|}\right)$$

同理，可得几何边距的定义为：

$$\gamma=\min_{i=1,\dots,m}\gamma^{(i)}$$

从函数边距和几何边距的定义可以看出，如果等比例缩放w和b的话，其几何边距不变，且当$\|w\|=1$时，函数边距和几何边距相等。

最优边距分类

SVM算法的本质，就是求能使几何边距最大的w和b的取值，用数学语言描述就是求解问题：

$$\begin{align} &\operatorname{max}_{\gamma,w,b}& & \gamma\\ &\operatorname{s.t.}& & y^{(i)}(w^Tx^{(i)}+b)\ge\gamma,i=1,\dots,m\\ & & & \|w\|=1 \end{align}$$

注：上式中的$\operatorname{s.t.}$是subject to的缩写，表示极值问题的约束条件。

这个问题等价于:

$$\begin{align} &\operatorname{max}_{\gamma,w,b}& & \frac{\hat\gamma}{\|w\|}\\ &\operatorname{s.t.}& & y^{(i)}(w^Tx^{(i)}+b)\ge\hat\gamma,i=1,\dots,m \end{align}$$

如果能通过比例变换使$\hat\gamma=1$，则问题化解为：

$$\begin{align} &\operatorname{min}_{\gamma,w,b}& & \frac{1}{2}\|w\|^2\\ &\operatorname{s.t.}& & y^{(i)}(w^Tx^{(i)}+b)\ge 1,i=1,\dots,m \end{align}$$

这个问题实际上就是数学上的QP（Quadratic Programming）问题，采用这种方案的分类被称为最优边距分类（optimal margin classifier）。

拉格朗日对偶

QP问题是有约束条件的优化问题（constrained optimization problem）的一种，下面让我们讨论一下解决这类问题的通用方法。

假设我们求解如下问题：

$$\begin{align} &\operatorname{min}_w& & f(w)\\ &\operatorname{s.t.}& & g_i(w)\le 0,i=1,\dots,k\\ & & & h_i(w)=0,i=1,\dots,l \end{align}$$

这里将约束条件分为两类：

1.$h_i(w)=0$代表的是约束条件为等式的情况。

2.$g_i(w)\le 0$代表的是约束条件为不等式的情况。

上述约束优化问题也被称为原始优化问题（primal optimization problem）。为了求解这个问题，我们定义广义拉格朗日（generalized Lagrangian）函数：

$$\mathcal{L}(w,\alpha,\beta)=f(w)+\sum_{i=1}^k\alpha_ig_i(w)+\sum_{i=1}^l\beta_ih_i(w)$$

利用这个函数可以将约束优化问题转化为无约束优化问题。其中的$\alpha_i$、$\beta_i$也被称作拉格朗日乘子（Lagrange multiplier）。

$$\theta_\mathcal{P}(w)=\underset{\alpha,\beta:\alpha_i\ge 0}{\operatorname{max}}\mathcal{L}(w,\alpha,\beta)=\underset{\alpha,\beta:\alpha_i\ge 0}{\operatorname{max}}f(w)+\sum_{i=1}^k\alpha_ig_i(w)+\sum_{i=1}^l\beta_ih_i(w)$$

其中，$\mathcal{P}$代表原始优化问题，$\underset{\alpha,\beta:\alpha_i\ge 0}{\operatorname{max}}$表示在$\alpha,\beta$变化，而其他变量不变的情况下，求最大值。