吃瓜日记 Task1

Anita429

已于 2023-02-14 22:39:30 修改

阅读量224

点赞数 1

文章标签：学习 python pandas

于 2023-02-14 22:33:51 首次发布

本文链接：https://blog.csdn.net/Anita_Liu98/article/details/129016118

版权

本文是《机器学习》的学习笔记，介绍了机器学习的基本概念，如模型的过拟合和欠拟合，以及模型评估的度量标准，包括回归和分类问题的评价指标。讨论了训练集和测试集的划分，以及交叉验证等模型选择方法。

摘要由CSDN通过智能技术生成

前言

本文为周志华老师的《机器学习》（西瓜书）和《机器学习公式详解》(南瓜书)第一章和第二章的学习笔记。

一、机器学习的定义

西瓜书引用了Mitchell在《Matchine Learning》中的经典定义，书中的翻译有点晦涩，还是看英文原句比较舒适：

A computer program is said to learn from experience E with respect to some task T and some performance measure P，if its performance on T ，as measured by P，improves with experience E.

自己手动翻译一遍：

对于一个计算机程序，如果它利用经验E提升了它在任务T上的表现（performance，用P来衡量），那么可以认为这个程序从经验E中学习到了关于任务T和P的知识。

本书认为“机器学习是研究‘学习算法’的学问”。我们研究机器学习算法，就是在研究如何让模型从经验数据中快速学习到有效的信息，提升在目标任务上的性能。

二、机器学习中的一些基础概念

数据集是由m条样本（instance/sample）组成的集合，每条样本有d个属性，每个属性可能取不同的值，属性可能是离散的，也可能是连续的，每个属性作为一个坐标轴，就构成了一个d维空间，称作样本空间/属性空间。每个样本的属性构成一个特征空间中的向量，称作特征向量。

将数据集划分为训练集和测试集，让模型在训练集上学习，把模型学习到的潜在规律称作假设，而真正的规律成为ground-truth（GT），让模型学习到的假设更好地逼近GT，就是机器学习的目标。

通常来说，模型预测的目标是有标签的，我们称之为有监督的学习。将一个样本的特征输入到模型中，让模型预测标签，根据标签是离散值还是连续值，我们可以将机器学习任务分为分类任务和回归任务两种。但事实上，有很多情况下，数据是无标签的，例如聚类任务，我们称之为无监督学习。还有一些情况下，我们只有一部分训练数据是有标签的，另一部分数据由于人工成本或其他原因，没有对应的标注，同时使用有标签的数据和无标签的数据进行训练，我们称之为半监督学习。

利用不同的属性，模型可以学到多种不同的假设，而训练的目标就是希望模型能够尽可能地找到与GT相符的假设。但由于训练集是有限的，甚至可能是有偏的，当模型在尽可能地拟合训练集时，很有可能会出现过拟合的状况，即在训练集上表现很好，但在测试集上差强人意。这时候我们认为这个模型的泛化性不好。我们可以用一个函数f来表示我们的模型：y=f(x)，x是输入的属性，f是模型，y是模型的输出。输入测试集的每个样本的属性，我们可以得到对应的预测结果。通过检验模型在这些未知样本上的表现，我们可以评估模型的泛化能力。

在训练和选择模型时，我们可以制定一些目标或规则来约束模型，合理的规则能够帮助我们得到更好的模型。奥卡姆剃刀原则告诉我们，当有些时候你无从抉择是，通常是越简单的越好，但对于机器学习，到底什么是简单？NFL没有免费的午餐定理，表明了没有在任何领域都绝对优越的算法。在实际工程中，我们要根据实际情况来选取最合适的算法来解决问题。

三、模型评估与选择

3.1.过拟合、欠拟合、方差、偏差

上面我们提到了模型在训练集上表现很好，但在测试集上表现不好时，我们认为模型过拟合（overfitting）。而欠拟合（underfitting）是指模型在训练集上表现就不够好，通常是由于模型容量过小导致的。对于一个模型，假设空间往往决定了模型容量的大小，当模型容量过低时，会发生欠拟合，而模型容量过大时，会发生过拟合。

对于过拟合和欠拟合的问题，可以通过方差、偏差的角度去理解，选择模型，通常是要在方差和偏差的trad-off之前寻找一个平衡。

如果模型不能够拟合training data，则说明偏差较大，欠拟合；如果模型能够拟合training data，但是不能拟合testing data，说明有较大的方差，就是过拟合的状态。参考【学习笔记】-李宏毅课程--方差和偏差（variance and bias） - 知乎

3.2拟合方法

留出法：将数据集划分为互斥的两个部分，训练集和测试集。通常训练集保留2/3~4/5的样本用于训练。不同的划分方式会导致不同的结果，所以通常要划分很多次，进行训练，再去平均结果。
K-fold交叉验证（CV）：将数据集划分为k个子集，每次取一个子集作为验证集，其他作为测试集，通常来说cv评估结果最好的模型被认为是泛化性比较好的模型，cv具有防止过拟合的作用。
自助法bootstrapping：从数据集中，多次有放回地采样，当抽取数量足够多时，大约有36.8%的数据不会被抽取到，没被抽取到的数据就作为测试集。几个比较容易混淆的概念：快速理解bootstrap,bagging,boosting-三个概念_猫二哥的博客-CSDN博客
调参与最终模型：除了选择算法之外，还要调节参数，由于可调参数比较多，通常在一个有限的范围内搜索最优参数。选定算法和参数之后，要在全部数据集上训练，得到的模型作为最终模型。

3.3度量方法

不同的评估指标往往会导致不同的评判结果，选择合适的评价指标，对于实际任务来说是很重要的。sklearn里已经实现了很多种度量方法：3.3. Metrics and scoring: quantifying the quality of predictions — scikit-learn 1.2.1 documentation