AI之路（六）——关于统计学习（statistical learning）Part 5 正则化与交叉验证

1.正则化
模型选择的典型方法是正则化（regularization）。正则化是结构风险最小化策略的实现，是在经验风险上加一个正则化项（regularizer）或罚项（penalty term）。正则化项一般是模型复杂度的单调递增函数，模型越复杂，正则化值就越大。比如，正则化项可以是模型参数向量的范数。
正则化一般具有如下形式：
$$min\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i))+\lambda J(f)$$
其中，第一项是经验风险，第二项是正则化项，$\lambda \ge 0$为调整两者之间关系的系数。
正则化项可以取不同的形式。例如，在回归问题中，损失函数是平房损失，正则化项可以是参数向量的$L_2$范数(使用$L_2$范数的回归为岭回归$Ridge$)：
$$L(w)=\frac{1}{N}\sum _{i=1}^N(f(x_i,w_i)-y_i{)}^2+\frac{\lambda }{2}||w|{|}^2$$
上式中，$||w||$表示参数向量$w$的$L_2$范数。
正则化项也可以使用$L_1$范数：
$$L(w)=\frac{1}{N}\sum _{i=1}^N(f(x_i,w_i)-y_i{)}^2+\lambda ||w|{|}_1$$
上式中，$||w||$表示参数向量$w$的$L_1$范数。
第一项的经验风险比较小的模型可能较复杂（有多个非零参数），这时第二项的模型复杂度会较大。正则化的作用是选择经验分析与模型复杂度同时较小的模型。
正则化符合奥卡姆剃刀原理（Occam’s razor）。奥卡姆剃刀原理应用于模型选择时变为以下想法：在所有可能选择的模型中，能够很好地解释已知数据并且十分简单才是最好的模型，也就是应该选择的模型。从贝叶斯估计的角度看，正则化对应于模型的先验概率。可以假设复杂的模型有较小的先验概率，简单的模型有较大的先验概率。

交叉验证

交叉验证（cross validation）是常用的模型选择方法。
如果给定的样本数据充足，进行模型选择的一种简单方法是随机地将数据集切分成三部分，分别为训练集（training set）、验证集(validation set)和测试集(test set)。训练集用来训练模型，验证集用于模型的选择，而测试集用于最终对学习方法的评估。在学习到的不同复杂度的模型中，选择对验证集有最小预测误差的模型。由于验证集有足够的数据，用它对模型进行选择也是有效的。
但是，在许多应用中数据是不充足的。为了选择好的模型，可以采用交叉验证方法。交叉验证的基本思想是重复地使用数据；把给定的数据进行切分，将切分的数据集组合为训练集与测试集，在此基础上反复地进行训练、测试以及模型选择。
1.简单交叉验证
简单交叉验证方法是：首先随机地将已知数据分为两部分，一部分作为训练集，另一部分作为测试集（比如：80%作为训练集，20%作为测试集）;然后用训练集在各种条件下（例如，不同的参数个数）训练模型，从而得到不同的模型；在测试集上评价各个模型的测试误差，选出测试误差最小的模型。
2.S折交叉验证
应用最多的是S折交叉验证（S-fold cross validation），方法如下，首先随机地将已知数据切分为S个互不相交、大小相同的子集；然后利用S-1个子集的数据训练模型，利用余下的子集测试模型；将这一过程对可能的S种选择重复进行；最后选出S次评测中平均测试误差最小的模型。
3.留一交叉验证
S折交叉验证的特殊情况是S=N，称为留一交叉验证（leave one out cross validation），往往在数据缺乏的情况下使用 。这里,N是给定数据集的容量。