正则化参数估计

正则化参数$\lambda$在径向基函数网络，最小二乘估计和支持向量机的正则化理论中起着核心作用，因此需要一个估计$\lambda$的相当原理性的方法。
先考虑一个非线性回归问题：
$$d_i=f(x_i)+{\epsilon }_i,i=1,2,...,N\text{\hspace{1em}(式1)}$$
此处$f(x_i)$是一条"光滑的曲线"，${\epsilon }_i$是一个均值为零和方差如下的白噪声过程的采样，即
$$E[{\epsilon }_i,{\epsilon }_k]=\{\begin{array}{ll}{\sigma }^2,& \text{若k=i}\\ 0,& \text{否则}\end{array}\text{\hspace{1em}(式2)}$$
给定一组训练样本 { x i ， y i } i = 1 N \lbrace x_i，y_i \rbrace _{i=1} ^N {xi​，yi​}i=1N​，重建该模型的固有函数$f(x_i)$。
令$F_{\lambda }(X)$为f(x)相对于某个正则化参数$\lambda$的正则化估计，即$F_{\lambda }(X)$为使表示非线性回归问题的Tikhonov泛函达到最小的最小化函数。

$$\text{\hspace{1em}(式3)}$$
选择合适的$\lambda$，由下述两条件加以权衡
（1）由$||DF(X)|{|}^2$项来度量解的粗糙度；
（2）由${\sum }_{i=1}^N[d_i-F(x_i){]}^2$项来度量数据的失真度。

均方误差

令$R(\lambda )$表示模型的回归函数$f(x)$和表示在正则化参数$\lambda$某一值下的解的逼近函数$F_{\lambda }(x)$之间在整个给定集合上的均方误差，即：
$$R(\lambda )=\frac{1}{N}\sum _{i=1}^N[f(x_i)-F_{\lambda }(x_i){]}^2\text{\hspace{1em}(式4)}$$
所谓最佳$\lambda$指的是使$R(\lambda )$取最小的值；
将$F_{\lambda }(x_k)$表示为给定的一组可观察值的线性组合：
$$F_{\lambda }=\sum _{i=1}^N{a}_{ki}(\lambda )d_i\text{\hspace{1em}(式5)}$$
用等价的矩阵形式写成：
$$F_{\lambda }=A(\lambda )d\text{\hspace{1em}(式6)}$$
其中$d$是预期响应向量，
$$F_{\lambda }=[F_{\lambda }(x_1),F_{\lambda }(x_2),...,,F_{\lambda }(x_N){]}^T\text{\hspace{1em}(式7)}$$
且
$$\text{\hspace{1em}(式8)}$$
其中N x N矩阵$A(\lambda )$称为影响矩阵。
用上述矩阵符号，可以$R(\lambda )$重新写成：
$$R(\lambda )=\frac{1}{N}||f-F_{\lambda }|{|}^2=\frac{1}{N}||f-A(\lambda )d|{|}^2\text{\hspace{1em}(式9)}$$
其中向量N x 1的向量$f$为：
$$f=[f(x_1),f(x_2),...,f(x_N){]}^T$$
也可写成
$$d=f+\epsilon$$
其中：
$$\epsilon =[{\epsilon }_1,{\epsilon }_2,....,{\epsilon }_N{]}^T\text{\hspace{1em}(式10)}$$
整理可得：
$$\text{\hspace{1em}(式11)}$$
其中I是N x N的单位矩阵，求$R(\lambda )$的期望值，需要注意：
（1）式（11）的右边第一项是一个常数，因此它不受期望算子的影响；
（2）第二项的期望为零；
（3）标量$||A(\lambda )|{|}^2$的期望为：
$$\text{\hspace{1em}(式12)}$$
（4）利用矩阵代数中如下规则：给定两个具有相容维数的矩阵B和C，BC的迹等于CB的迹，
令$B={\epsilon }^T$, $C=A^T(\lambda )A(\lambda )\epsilon$则式12可以写成：
$$E[||A(\lambda )f|{|}^2]=E[tr[A^T(\lambda )A(\lambda )\epsilon {\epsilon }^T]]={\sigma }^{2}tr(A^2(\lambda ))\text{\hspace{1em}(式13)}$$
上式最后一行根据（式2）可得，其中$A^T(\lambda )A(\lambda )$的迹等于$A^2(\lambda )$的迹。
将三项结果结合起来，$R(\lambda )$期望值可表示为：
$$E[R(\lambda )]=\frac{1}{N}||f-A(\lambda )f|{|}^2+\frac{{\sigma }^2}{N}tr[A^2(\lambda )]\text{\hspace{1em}(式14)}$$
但是，一个给定数据集的均方误差$R(\lambda )$在实际中并不好用，因其需要回归函数$f(x)$的知识，它是一个有待重建的函数，因此定义如下作为$R(\lambda )$的估计：
$$\hat{R}(\lambda )=\frac{1}{N}||I-A(\lambda )d|{|}^2+\frac{{\sigma }^2}{N}tr[A^2(\lambda )]-\frac{{\sigma }^2}{N}tr[(I-A(\lambda ){)}^2]\text{\hspace{1em}(式15)}$$
$$E[\hat{R}(\lambda )]=E(R(\lambda ))\text{\hspace{1em}(式16)}$$

---

因此使得估计$\hat{R}(\lambda )$最小的$\lambda$值可以作为正则化参数$\lambda$一个好的选择，即使得其模型均方误差最小。

但是从(式15)可以看出需要估计$\hat{R}(\lambda )$还需要知道噪声方差${\sigma }^2$，而实际情况中，它通常是未知的。为处理该情况，引入广义交叉验证

---

广义交叉验证

令$F_i^{[k]}(x)$为使泛函数最小化的函数：
$${\xi }_{modified}(F)=\frac{1}{2}\sum _{i=1}^N[d_i-F_{\lambda }(x_i){]}^2+\frac{\lambda }{2}||DF(x)|{|}^2\text{\hspace{1em}(式17)}$$
其中标准误差项中省略了第$k$项$[d_k-F_{\lambda }(x_k)]$，将用该项预报缺省数据点$d_k$的能力来衡量参数$\lambda$的好坏。因此，引入性能度量：
$$V_0(\lambda )=\frac{1}{N}\sum _{k=1}^N[d_k-F_{\lambda }^{[k]}(x_k){]}^2\text{\hspace{1em}(式18)}$$
$V_0(\lambda )$仅依赖数据点本身，这样 $\lambda$ 的普通交叉验证估计即为 $V_0(\lambda )$最小化的函数。
$F_{\lambda }^{[k]}(x_k)]$ 一个有用的性质是:
如果用预测$F_{\lambda }^{[k]}(x_k)$ 来代替数据点$d_k$的值，使用数据点$d_1，d_2,...,d_{k-1},d_k,...d_N$使式3的泛函数最小，则$F_{\lambda }^{[k]}(x_k)$ 就是所求的解，对于每一个输入向量$x$，该性质使得$\xi (F)$的最小化函数$F_{\lambda }(x)$线性依赖于$d_k$,这使得有：
$$F_{\lambda }^{[k]}(x_k)=F_{\lambda }(x_k)+(F_{\lambda }^{[k]}(x_k)-d_k)\frac{\partial F_{\lambda (x_k)}}{\partial d_k}\text{\hspace{1em}(式19)}$$
由式5可以得出：
$$\frac{\partial F_{\lambda (x_k)}}{\partial d_k}=a_{kk}(\lambda )\text{\hspace{1em}(式20)}$$
$a_{kk}(\lambda )$是影响矩阵$A(\lambda )$对角线上的第$k$个元素，将式20代入式19可以得到：
$$F_{\lambda }^{[k]}(x_k)=\frac{F_{\lambda }(x_k)-a_{kk}{d}_k}{1-a_{kk}(\lambda )}=\frac{F_{\lambda }(x_k)-d_k}{1-a_{kk}(\lambda )}+d_k\text{\hspace{1em}(式21)}$$
式18可重新定义成：
$$V_0(\lambda )=\frac{1}{N}\sum _{k=1}^N[\frac{F_{\lambda }(x_k)-d_k}{1-a_{kk}(\lambda )}{]}^2\text{\hspace{1em}(式22)}$$
但是对于不同的k,$a_{kk}(\lambda )$的值是不同的，这说明不同的数据点在$V_0(\lambda )$中具有不同的作用。为了避免通常的交叉验证的这一特性，将上式改变为：
$$V_0(\lambda )=\frac{1}{N}\sum _{k=1}^N{w}_k[\frac{F_{\lambda }(x_k)-d_k}{1-a_{kk}(\lambda )}{]}^2\text{\hspace{1em}(式23)}$$
$w_k$的定义为：
$$w_k=[\frac{1-a_{kk}(\lambda )}{\frac{1}{N}tr[I-A(\lambda )]}{]}^2\text{\hspace{1em}(式23)}$$
据此：
$$V_0(\lambda )=\frac{\frac{1}{N}{\sum }_{k=1}^N(d_k-F_{\lambda }(x_k){)}^2}{(\frac{1}{N}tr[I-A(\lambda ){)}^2}]\text{\hspace{1em}(式24)}$$
据此得到的$V_0(\lambda )$仅依赖与数据d相关的数据量。