正规化和模型选择(Regularization and model selection)

对于某个学习问题，我们如何在几种不同的模型中进 行选择。例如，如果我们使用一个多项式回归模型$h_{\theta }(x)=g({\theta }_0+{\theta }_{1}x+{\theta }_2{x}^2+\dots +{\theta }_k{x}^k)$，我们该如何决定多项式的最高阶数$k$以最优地平衡偏差和波动？与此类似，对于局部权重回归如何选择带宽参数$\tau$，对于${\ell }_1$正规化后的SVM算法怎么选择参数$C$的值？

为了具体化，这一节中我们假设有一个有限模型集 M = { M 1 , … , M d } \mathcal{M} = \{ M_1,\ldots,M_d \} M={M1​,…,Md​}，我们在模型集中进行选择，$M_i$即代表第i个模型。

---

1 交叉验证

给定某个训练集后，根据经验风险最小化，我们可能会这样进行模型选择：

1. 每个模型$M_i$都在训练集$S$上进行一次训练，得到假设$h_i$；
2. 选择训练误差最小的假设

这种算法并不能得到我们想要的结果。假设多项式回归，阶数越高训练误差就会越小。因此这种方法选出的往往是一个高波动高维度的多项式模型，会导致严重的过拟合。

下面这个算法表现会好很多，称为保留交叉验证或简单交叉验证，步骤如下：

1. 随机将训练集分为两部分$S_{train}$和$S_{cv}$，$S_{train}$占有70%的数据，$S_{cv}$占有30%的数据。$S_{cv}$称为保留交叉验证集。
2. 每个模型$M_i$都在训练集$S_{train}$上进行一次训练，得到假设$h_i$；
3. 选择运行在交叉验证集上，误差${\hat{\epsilon }}_{S_{cv}}(h_i)$最小的假设$h_i$。

通过测试未训练的交叉验证集数据，我们可以更好地估计各个模型预测的真实泛化误差，选择泛化误差最小的模型。普遍而言，交叉验证集占总训练集的30%。

在保留交叉验证第三步之后，我们可以考虑将产生$h_i$的模型在整个训练集$S$上再训练一次。一般而言这会更好，但对于一些对初始条件或数据很敏感的算法，以$S_{train}$作为训练集表现得好并不意味着用$S$作为训练集也会表现很好，对于这种情况我们只能放弃再训练这一步。

---

保留交叉验证最大的不足是它浪费了30%的数据。即使我们在最后再训练一次，这个算法依然只使用了70%的数据。在数据很丰富的时候这没什么，当数据很稀少的时候我们可能需要更好的办法。

我们引入另一种称为k次折叠交叉验证的方法，他每次的保留数据更少：

1. 随机将$S$分为k个不相交的子集，这些子集设为$S_1,\dots ,S_k$。
2. 对于每个模型$M_i$，我们这样对他们进行评估：
   循环k次，将$M_i$在$S_1\cup \dots \cup S_{j-1}\cup S_{j+1}\cup \dots S_k$上进行训练得到假设$h_{ij}$。
   在假设$h_{ij}$上测试$S_j$，得到误差${\hat{\epsilon }}_{S_j}(h_i)$。
   令每个模型$M_i$的估计泛化误差为${\hat{\epsilon }}_{S_j}(h_i)$的均值。
3. 选择估计泛化误差最小的模型$M_i$，并在整个训练集上$S$再训练一次，得到的假设就是最后的答案。

一般设折叠次数$k=10$，这样每次数据的保留部分相比保留交叉验证大幅缩小了，当然由于要训练k次计算成本增加了。尽管$k=10$是普遍情形，在训练数据极端稀少的时候，我们也可以让$k=m$，即每次仅保留一个数据用以验证，这种方法称为留一交叉验证。

最后，尽管我们介绍了几种交叉验证的方法用以选择模型。实际用交叉验证来评估单个模型或算法的预测效果也很不错。

---

2 特征选择

在模型选择中有一种特殊且重要的部分叫特征选择。想象一下如果我们的监督式学习问题中特征数$n$的值非常大，但我们怀疑其中只有部分特征是和我们的学习目标相关的。即使使用简单线性分类器，假设类的VC维依然会有$O(n)$，因此过拟合是一个大问题除非训练集非常大才能避免。

要解决这个问题，你可以使用特征选择算法减少特征数量。有$n$个特征就意味着有$2^n$个特征子集，所以特征选择也可看成有$2^n$个模型的模型选择问题。当$n$的值很大时，是无法通过枚举的方法准确地比较$2^n$个模型的，所以一般会使用一些启发式搜索算法来寻找好的特征子集。下面这个搜索步骤称为前向搜索：

1. 初始化令特征集$\mathcal{F}=\varnothing$；
2. 重复 ｛
   (a) 循环i次，如果$i\notin \mathcal{F}$，则让 F i = F ∪ { i } \mathcal{F}_i = \mathcal{F} \cup \{i\} Fi​=F∪{i}，并使用交叉验证来评估特征$\mathcal{F}_i $；(b)令$\mathcal{F}$等于(a)中所有特征子集中最好那一个。
   ｝
3. 选择并输出整个搜索过程中表现最好的特征子集。

这个算法的外层循环，在$\mathcal{F}$包含所有特征或达到你设定的阈值时停止。该算法是封装模型特征选择的实例化，它的每个步骤都在包装你的学习算法并评估不同的特征子集。除了前向搜索，还有其他的特征搜索算法，比如后向搜索算法，它从 F = { 1 , … , n } \mathcal{F} = \{1,\ldots,n\} F={1,…,n}开始每次去掉一个特征，直到特征集为空。

---

过滤器特征选择是一个启发式的方法，只需很少的计算成本就能找到特征子集。它的核心是计算一些评分$S(i)$，$S(i)$是每个特征$x_i$对类标签$y$的影响的评分，最后挑选得分最高的k个特征组成特征子集。

一种选择使用$x_i$和$y$之间的相关性来描述$S(i)$。实际中，我们一般（尤其在特征$x_i$是离散值时）使用互信息$M_i(x_i,y)$作为$S(i)$评分：

M i ( x i , y ) = ∑ x i ∈ { 0 , 1 } ∑ y ∈ { 0 , 1 } p ( x i , y ) l o g p ( x i , y ) p ( x i ) p ( y ) . M_i(x_i,y) = \sum_{x_i \in \{ 0,1 \}} \sum_{y \in \{ 0,1 \}} p(x_i,y)log \frac{p(x_i,y)}{p(x_i)p(y)}. Mi​(xi​,y)=xi​∈{0,1}∑​y∈{0,1}∑​p(xi​,y)logp(xi​)p(y)p(xi​,y)​.

这些概率$p(x_i,y),p(x_i),p(y)$都可以通过训练集上的经验分布来估计。为了让概率更直观，我们可以使用KL散度来刻画相互信息：

$$M_i(x_i,y)=\mathrm{K}\mathrm{L}(p(x_i,y)||p(x_i)p(y))$$

你可能不清楚什么是KL散度，简要来说它描述$p(x_i,y)$同$p(x_i)p(y)$之间的差别有多大。当$x_i$和$y$之间相关性很小时（即$p(x_i,y)=p(x_i)p(y)$），KL的值很小；反之，KL的值就会很大。最后一个需要注意的细节是我们如何选择最后的特征数$k$的值，标准方法是使用交叉验证的方法开寻找合适的$k$值。