分类要找一个 function 函数,输入对象 x 特征, 输出是该对象属于 n个类别中是属于哪一个。
以神奇宝贝为例:
神奇宝贝有很多的属性,比如电,火,水。要做的就是一个分类的问题:需要找到一个 functionfunction,
- 输入:一只神奇宝贝的特征(整体强度,生命值,攻击力,防御力,特殊攻击力,特殊防御力,速度等)
- 输出:属于哪一种类型的神奇宝贝
首先将神奇宝贝数值化:以比卡丘为例
- Total:整体强度,大概的表述神奇宝贝有多强,比如皮卡丘是320
- HP:生命值,比如皮卡丘35
- Attack:攻击力,比如皮卡丘55
- Defense:防御力,比如皮卡丘40
- SP Atk:特殊攻击力,比如皮卡丘50
- SP Def:特殊防御力,比如皮卡丘50
- Speed:速度,比如皮卡丘90
所以一直神奇宝贝可以用7个数字组成的向量表示。
一、回归模型
假设还不了解怎么做,但之前已经学过了 regression。就把分类当作回归硬解。 举一个二分类的例子,假设输入神奇宝贝的特征 x,判断属于类别1或者类别2,把这个当作回归问题。
- 类别1:相当于target是 1。
- 类别2:相当于target是 -1。
然后训练模型:因为是个数值,如果数值比较接近 1,就当作类别1,如果数值接近 -1,就当做类别2。这样做会有以下问题出现:
- 左图:绿色是分界线,红色叉叉就是 Class2 的类别,蓝色圈圈就是 Class1 的类别。
- 右图:紫色是分界线,红色叉叉就是 Class2 的类别,蓝色圈圈就是 Class1 的类别。训练集添加有很多的距离远大于1的数据后,分界线从绿色偏移到紫色
这样用回归的方式硬训练可能会得到紫色的这条。直观上就是将绿色的线偏移一点到紫色的时候,就能让右下角的那部分的值不是那么大了。但实际是绿色的才是比较好的,用回归硬训练并不会得到好结果。此时可以得出用回归的方式定义,对于分类问题来说是不适用的。
还有另外一个问题:比如多分类,类别1当作target1,类别2当作target2,类别3当作target3…如果这样做的话,就会认为类别2和类别3是比较接近的,认为它们是有某种关系的;认为类别1和类别2也是有某种关系的,比较接近的。但是实际上这种关系不存在,它们之间并不存在某种特殊的关系。这样是没有办法得到好的结果。
二、概率与分类的关系
- 那么,两个盒子中抽一个球,抽到的是盒子1中蓝色球的概率是多少?
- 相当于两个类别中抽一个 x,抽到的是类别1中 x 的概率是多少?
- 可以转化成,随机给出一个 x,那么它属于哪一个类别(属于概率相对比较大的类别)?
同理知道红色方框的值,就可以计算出给一个 xx,它是属于哪个类型的,P(C1∣x) 和 P(C2 | x),哪个类别的概率大就属于哪个类别。接下来就需要从训练集中估测红色方框中的值。这一套想法叫做生成模型(Generative Model)。因为有了这个模型,就可以生成一个 x,可以计算某个 x 出现的概率,知道了x 的分布,就可以自己产生 x。
通过训练集的数据可以计算出 P(C1)和 P(C2),如图所示:
- 水属性占比:P(C1) = 0.56
- 普通属性占比:P(C2) = 0.44
下面想计算神奇宝贝原盖海龟是水属性的概率,即P(x∣C1)。也就是在水系的神奇宝贝中随机选一只,是海龟的概率。下面将训练集中79个水系的神奇宝贝,属性Defense
和SP Defense
进行可视化。这里假设这79点是从高斯分布(Gaussian distribution)中采样的,现在需要从这79个点找出符合的那个高斯分布。
三、高斯分布
可以把高斯分布当作一个 function,输入就是一个向量 x ,输出就是选中 x 的概率(实际上高斯分布不等于概率,只是和概率成正比,这里简单说成概率。function由期望 μ 和协方差矩阵 ∑ 决定。
假设通过79个点估测出了期望μ 和协方差矩阵∑。期望是图中的黄色点,协方差矩阵是红色的范围。现在给一个不在79个点之内的新点,用刚才估测出的期望和协方差矩阵写出高斯分布的 function,然后把 x 带进去,计算出被挑选出来的概率。
然后计算高斯分布的极大似然估计:
给一个μ 和∑,它生成这79个点的概率为图中的L(μ,∑),L(μ,∑)也称为样本的似然函数。
将使得L(μ,∑) 最大的L(μ,∑) 记做 (μ∗,∑∗) ,(μ∗,∑∗) 就是所有L(μ,∑) 的 Maximum Likelihood(最大似然估计)。直接对L(μ,∑) 求两个偏微分,求偏微分是0的点。
四、分类模型
我们已经得到了需要计算的值,可以进行分类了。
左上角的图中蓝色点是水属性的神奇宝贝,红色点是一般属性的神奇宝贝,图中的颜色:越偏向红色代表是水属性的可能性越高,越偏向蓝色代表是水属性的可能性越低。
右上角在训练集上进行分类的结果,红色就是 P(C1|x) 大于0.5的部分,是属于类别1,相对蓝色属于类别2。右下角是放在测试集上进行分类的结果。结果是测试集上正确率只有 47% 。当然这里只处理了二维(两个属性)的情况,那在7维空间计算出最大释然估计值,此时μ是7维向量,Σ是7维矩阵。得到结果也只有54% 的正确率,因此我们需要对模型进行优化。
五、模型优化
通常来说,不会给每个高斯分布都计算出一套不同的最大似然估计,协方差矩阵是和输入feature大小的平方成正比,所以当feature很大的时候,协方差矩阵是可以增长很快的。此时考虑到model参数过多,容易Overfitting,为了有效减少参数,给描述这两个类别的高斯分布相同的协方差矩阵。
此时修改似然函数为 L(μ1,μ2,Σ)。μ1,μ2计算方法和上面相同,分别加起来平均即可;而Σ的计算有所不同。
右图新的结果,分类的boundary是线性的,所以也将这种分类叫做 linear model。如果考虑所有的属性,发现正确率提高到了73%。