Cross validation / multual information / Bayesian statistics and regularization
在之前我们讨论了最小化风险函数,但很多时候这样做的效果并不好,这是由于bias and variance
的权衡。因此,我们需要进行模型选择,来自动的选择最合适的模型。
Cross validation
假设我们有一些有限的模型,如何来选择哪个模型能够使得其泛化能力最好?
常用的方法是交叉验证:
- hold-out cross validation
- 使用一部分数据(70%)作为train data进行训练,使用剩下的数据作为validation data进行验证,选择在验证集上误差最小的模型
- k-fold cross validation
- 在
hold-out cross validation
中,我们的30%的数据实际上都被浪费了。而如果数据量本来就很小,那么这样做并不合理。因此,更常用的是每次使用30%的数据作为验证集,训练多次得到其平均误差。 - k=10是常用的做法,但计算量会很大
- 在
- leave-one-out cross validation.
- 可以令k=m,也就是划分的数量和数据集大小一样,每次只用一个样本作为验证。
- 只适合在数据量非常少的情况下使用。
Feature selection
如果我们有很多feature,但很可能大部分feature对于我们的分类任务都没有太大帮助。因此,我们要选择最为合适的feature子集,但其选择空间有 2 n 2^n 2n,是在太大了。
因此,有几种启发式的feature selection方法:
- Wrapper model feature selection
- forward search
- 很简单的想法,我们每次尝试加入一个feature,如果加入这个feature能在验证集上表现得更好,那么我们就要他;如果表现得更差,那么就抛弃他
- backward search
- 同样的想法,每次删去一个feature,看训练集上的表现是否提高
- forward search
- Filter feature selection
- 在之前的算法中,计算量非常大。因此,一个直观的想法是定义一个score function,来衡量某个feature能表示的信息量大小,即 S ( i ) S(i) S(i),然后,选择 k k k个能使得score 最大的feature。
- 一般来说, S ( i ) S(i) S(i)是根据 x i x_i xi和 y y y之间的相关性来度量的
- mutual information
- MI ( x i , y ) = ∑ x i ∈ { 0 , 1 } ∑ y ∈ { 0 , 1 } p ( x i , y ) log p ( x i , y ) p ( x i ) p ( y ) \operatorname{MI}\left(x_{i}, y\right)=\sum_{x_{i} \in\{0,1\}} \sum_{y \in\{0,1\}} p\left(x_{i}, y\right) \log \frac{p\left(x_{i}, y\right)}{p\left(x_{i}\right) p(y)} MI(xi,y)=∑xi∈{ 0,1}∑