Validation
Model Selection Problem
针对模型建立的过程,如上图所示,不仅需要考虑算法的选择,还要考虑迭代次数,学习速率,特征转换,正则化,正则化系数的选择等等,不同的搭配,都有不同的机器学习效果。那么我们应该如何找一个最合适的搭配呢?
首先我们考虑通过找一个最好 E i n E_{in} Ein来选择模型。
但是相对来说, E i n E_{in} Ein小的模型总是偏向于使用较大指数的特征以及尽量小的正则化,但是这又容易导致过拟合。而且假如每一种模型选择+训练会使模型复杂度变得比较高,从而使泛化能力变得比较差。
另外一种方法,如果有这样一个独立于训练样本的测试集,将M个模型在测试集上进行测试,看一下 E t e s t E_{test} Etest的大小,则选取 E t e s t E_{test} Etest最小的模型作为最佳模型:
但是,我们拿到的都是训练集D,测试集是拿不到的。所以,寻找一种折中的办法,我们可以使用已有的训练集D来创造一个验证集validation set,即从D中划出一部分 D v a l D_{val} Dval作为验证集。D另外的部分作为训练模型使用, D v a l D_{val} Dval独立开来,用来测试各个模型的好坏,最小化 E v a l E_{val} Eval,从而选择最佳的 g m ∗ g_{m^∗} gm∗。
Validation
从训练集D中抽出一部分K个数据作为验证集 D v a l D_{val} Dval, D v a l D_{val} Dval对应的error记为 E v a l E_{val} Eval。这样做的一个前提是保证 D v a l D_{val} Dval独立同分布(iid)于P(x,y),也就是说 D v a l D_{val} Dval的选择是从D中平均随机抽样得到的,这样能够把 E v a l E_{val} Eval与 E o u t E_{out} Eout联系起来。D中去除 D v a l D_{val} Dval后的数据就是供模型选择的训练数据 D t r a i n D_{train} Dtrain,其大小为N-k。从 D t r a i n D_{train} Dtrain中选择最好的g,记为 g m − g^−_m gm−。
假如D共有1000个样本,那么可以选择其中900个 D t r a i n D_{train} Dtrain,剩下的100个作为 D v a l D_{val} Dval。使用 D t r a i n D_{train} Dtrain训练模型,得到最佳的 g m − g^−_m gm−,使用 g m − g^−_m gm−对 D v a l D_{val} Dval进行验证,得到如下Hoffding不等式:
E o u t ( g m − ) ≤ E v a l ( g m − ) + O ( l o g M K ) E_{out}(g^-_m)\leq E_{val}(g^-_m)+O(\sqrt\frac{logM}{K}) Eout(gm−)≤Eval(gm−)+O(KlogM)
假设有M种模型hypothesis set, D v a l D_{val} Dval的数量为K,那么从每种模型m中得到一个在 D v a l D_{val} Dval上表现最好的g,再横向比较,从M个g中选择一个最好的 m ∗ m^∗ m∗作为我们最终得到的模型。
根据之前的leraning curve很容易知道,训练样本越多,得到的模型越准确,其hypothesis越接近target function,即D的
E
o
u
t
E_{out}
Eout比
D
t
r
a
i
n
D_{train}
Dtrain的
E
o
u
t
E_{out}
Eout要小.
所以,我们通常的做法是通过
D
v
a
l
D_{val}
Dval来选择最好的矩
g
m
∗
−
g^−_{m^∗}
gm∗−对应的模型
m
∗
m^∗
m∗,再对整体样本集D使用该模型进行训练,最终得到最好的矩
g
m
∗
g_{m^∗}
gm∗。
如上图所示,我们先把数据集分为
D
t
r
a
i
n
D_{train}
Dtrain,
D
v
a
l
D_{val}
Dval。如果有M个模型,就分别让M个模型在
D
t
r
a
i
n
D_{train}
Dtrain上跑,得到
g
m
−
g^-_m
gm−,再分别让
g
m
−
g^-_m
gm−在验证集上进行验证,选择表现最好的
g
m
−
g^-_m
gm−。将对应的模型在整个数据集D上进行训练,得到最终的
g
m
∗
g_{m^*}
gm∗。
然后我们就可以得出下列不等式:
然后我们来感受下验证集在实际操作中的效果。
in-sample的曲线是不使用验证集的曲线,因此
E
o
u
t
E_{out}
Eout与验证集数量没有关系,永远保持定值。
黑色虚线表示测试集非常接近实际数据,这是一种理想的情况,其
E
o
u
t
E_{out}
Eout很小,同样也与K无关,实际中很难得到这条虚线。
红色曲线表示使用验证集,但是最终选取的矩是
g
m
∗
−
g^−_{m^∗}
gm∗−,其趋势是随着K的增加,它对应的
E
o
u
t
E_{out}
Eout先减小再增大,当K大于一定值的时候,甚至会超过黑色水平线。
蓝色曲线表示也使用验证集,最终选取的是
g
m
∗
g_{m^*}
gm∗,其趋势是随着K的增加,它对应的
E
o
u
t
E_{out}
Eout先缓慢减小再缓慢增大,且一直位于红色曲线和黑色直线之下。从此可见,蓝色曲线对应的方法最好,符合我们之前讨论的使用验证集进行模型选择效果最好。
这里提一点,当K大于一定的值时,红色曲线会超过黑色直线。这是因为随着K的增大, D v a l D_{val} Dval增大,但可供模型训练的 D t r a i n D_{train} Dtrain在减小,那得到的 g m ∗ − g^−_{m^∗} gm∗−不具有很好的泛化能力,即对应的 E o u t E_{out} Eout会增大,甚至当K增大到一定值时,比 E i n E_{in} Ein模型更差。
根据之前的分析:
想要左边这个等式成立,k需要足够小,想要右边这个等式成立,k需要足够大。这就导致了矛盾,因此折中的办法是,一般设置k=
N
5
\frac{N}{5}
5N。
Leave-One-Out Cross Validation
假如考虑一个极端的例子,k=1,也就是说验证集大小为1,即每次只用一组数据对
g
m
g_m
gm进行验证。这样做的优点是
g
m
−
≈
g
m
g^−_m≈g_m
gm−≈gm,但是
E
v
a
l
E_{val}
Eval与
E
o
u
t
E_{out}
Eout可能相差很大。为了避免
E
v
a
l
E_{val}
Eval与
E
o
u
t
E_{out}
Eout相差很大,每次从D中取一组作为验证集,直到所有样本都作过验证集,共计算N次,最后对验证误差求平均,得到
E
l
o
o
c
v
(
H
,
A
)
E_{loocv}(H,A)
Eloocv(H,A),这种方法称之为留一法交叉验证,表达式为:
这样求平均的目的就是为了让
E
l
o
o
c
v
(
H
,
A
)
E_{loocv}(H,A)
Eloocv(H,A)尽可能地接近
E
o
u
t
(
g
)
E_{out}(g)
Eout(g)。
接下来,我们从理论上分析Leave-One-Out方法的可行性,即
E
l
o
o
c
v
(
H
,
A
)
E_{loocv}(H,A)
Eloocv(H,A)是否能保证
E
o
u
t
E_{out}
Eout的矩足够好?假设有不同的数据集D,它的期望分布记为
ε
D
ε_D
εD,则其
E
l
o
o
c
v
(
H
,
A
)
E_{loocv}(H,A)
Eloocv(H,A)可以通过推导,等于
E
o
u
t
(
N
−
1
)
E_{out}(N−1)
Eout(N−1)的平均值。由于N-1近似为N,
E
o
u
t
(
N
−
1
)
E_{out}(N−1)
Eout(N−1)的平均值也近似等于
E
o
u
t
(
N
)
E_{out}(N)
Eout(N)。具体推导过程如下:
这就证明了留一交叉验证的可行性。
上图也可以证明在实际中,
E
c
v
E_{cv}
Ecv比
E
i
n
E_{in}
Ein来的更有用,更加接近
E
o
u
t
E_{out}
Eout曲线的趋势。
V-Fold Cross Validation
接下来我们看看Leave-One-Out可能的问题是什么。首先,第一个问题是计算量,假设N=1000,那么就需要计算1000次的 E l o o c v E_{loocv} Eloocv,再计算其平均值。当N很大的时候,计算量是巨大的,很耗费时间。第二个问题是稳定性,例如对于二分类问题,取值只有0和1两种,预测本身存在不稳定的因素,那么对所有的 E l o o c v E_{loocv} Eloocv计算平均值可能会带来很大的数值跳动,稳定性不好。所以,这两个因素决定了Leave-One-Out方法在实际中并不常用。
因此我们引入了V-折交叉验证。
所以呢,一般的Validation使用V-折交叉验证来选择最佳的模型。值得一提的是Validation的数据来源也是样本集中的,所以并不能保证交叉验证的效果好,它的模型一定好。只有样本数据越多,越广泛,那么Validation的结果越可信,其选择的模型泛化能力越强。
总结
本节从使用 E i n E_{in} Ein, E t e s t E_{test} Etest无法得出较好的 E o u t E_{out} Eout来引出使用 E v a l E_{val} Eval来进行模型选择。然后讲诉了使用validation set的过程。最后,又引出了Leave-One-Out和V-Fold Cross两种验证方法,比较它们各自的优点和缺点。