经验误差，泛化误差

经验误差，泛化误差

前言

我们在上篇博文 《机器学习模型的容量，过拟合与欠拟合》 中曾经提到过模型的泛化问题，指的就是描述一个模型在未见过的数据中的表现能力。这里再提出了，用于比较经验误差。
联系方式：
e-mail: FesianXu@163.com
QQ: 973926198
github: https://github.com/FesianXu

---

假设我们现在有数据集 D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋯   , ( x i , y i ) } , i = N D=\{(x_1,y_1), (x_2,y_2),\cdots,(x_i,y_i)\}, i=N D={(x1​,y1​),(x2​,y2​),⋯,(xi​,yi​)},i=N,其中$N$是数据集的大小，$x_i$为数据的属性¹，$y_i$为标签。假设有$y_i\in \mathcal{Y}$，$x_i\in \mathcal{X},\mathrm{i}=1,2,\cdots ,\mathrm{N}$，假设$\mathcal{X}$中的所有样本都满足一个隐含的，未知的分布$\mathcal{D}$，也就是说$D$中的所有样本都是从$\mathcal{D}$中独立同分布(i.i.d) 地采样的。
然后假设$h$是算法$\mathcal{L}$学习到的从$\mathcal{X}$到$\mathcal{Y}$的映射，$y=h(x)$，并且有$h\in \mathcal{H}$，其中$\mathcal{H}$为算法$\mathcal{L}$的假设空间。我们可以定义映射 $h$ 的 泛化误差(generalization error):

$$E(h;\mathcal{D})={\mathrm{P}}_{\mathrm{x}\sim \mathcal{D}}(\mathrm{h}(\mathrm{x})\ne \mathrm{y})\text{\hspace{1em}(1.1)}$$
因为我们无法观察到整个分布$\mathcal{D}$，只能观察到独立同分布采样后的$D$，因此我们需要定义 经验误差(empirical error):
$$\hat{E}(h;\mathcal{D})=\frac{1}{\mathrm{N}}\sum _{\mathrm{i}=1}^{\mathrm{N}}1(\mathrm{h}({\mathrm{x}}_{\mathrm{i}})\ne {\mathrm{y}}_{\mathrm{i}}),{\mathrm{x}}_{\mathrm{i}}\in \mathrm{D}\text{\hspace{1em}(1.2)}$$
其中的$1(\cdot )$表示当条件符合时输出1，否则输出0。由于$D$是$\mathcal{D}$的独立同分布采样，因此$h$的经验误差的期望等于泛化误差。

---

引用：

1. 《机器学习模型的容量，过拟合与欠拟合》 CSDN
2. 《机器学习（四）经验风险与结构风险》 CSDN
3. 《机器学习》 周志华著

---

1. 数据的属性指的是数据的最原始的特征，比如图片的原始像素点，而数据的特征大多指的是属性经过特定的操作的数据，如图片的像素点经过CNN卷积之后得到的特征。广义来说，数据的属性和特征没有区别。 ↩︎