机器学习（Machine Learning）- 吴恩达（Andrew Ng）视频笔记 第十一章

第十一章

目录

11 - 1 - Prioritizing What to Work On
11 - 2 - Error Analysis
11 - 3 - Error Metrics for Skewed Classes
11 - 4 - Trading Off Precision and Recall
11 - 5 - Data For Machine Learning

---

11 - 1 - Prioritizing What to Work On

本周以一个垃圾邮件分类器算法为例进行讨论。
为了解决这样一个问题，首先要做的决定是如何选择并表达特征向量?。可以选择一个由100 个最常出现在垃圾邮件中的词所构成的列表，根据这些词是否有在邮件中出现，来获得特征向量（出现为1，不出现为0），尺寸为100×1。
为了构建这个分类器算法，可以做很多事，例如：

1. 收集更多的数据，让有更多的垃圾邮件和非垃圾邮件的样本

2. 基于邮件的路由信息开发一系列复杂的特征

3. 基于邮件的正文信息开发一系列复杂的特征，包括考虑截词的处理

4. 为探测刻意的拼写错误（把watch 写成w4tch）开发复杂的算法
   在上面这些选项中，非常难决定应该在哪一项上花费时间和精力，作出明智的选择，比随着感觉走要更好。当使用机器学习时，总是可以“头脑风暴”一下，想出一堆方法来试试。实际上，当需要通过头脑风暴来想出不同方法来尝试去提高精度的时候，可能已经超越了很多人了。

   ---

11 - 2 - Error Analysis

当准备研究机器学习的东西，或者构造机器学习应用程序，最好的实践方法不是建立一个非常复杂的系统，拥有多么复杂的变量；而是构建一个简单的算法，这样就可以很快地实现它。

当研究机器学习的问题时，可以尝试现将问题解决，即便效果不好。坦白的说，就是根本没有用复杂的系统，但是只是很快的得到的结果。即便运行得不完美，但是也把它运行一遍，最后通过交叉验证来检验数据。一旦做完，可以画出学习曲线，通过画出学习曲线，以及检验误差，来找出算法是否有高偏差和高方差的问题，或者别的问题。

在这样分析之后，再来决定用更多的数据训练，或者加入更多的特征变量是否有用。这么做的原因是：这在刚接触机器学习问题时是一个很好的方法，并不能提前知道是否需要复杂的特征变量，或者是否需要更多的数据，还是别的什么。提前知道应该做什么，是非常难的，因为缺少证据，缺少学习曲线。因此，很难知道应该把时间花在什么地方来提高算法的表现。但是当实践一个非常简单即便不完美的方法时，可以通过画出学习曲线来做出进一步的选择。可以用这种方式来避免一种电脑编程里的过早优化问题，这种理念是：必须用证据来领导决策，怎样分配时间来优化算法，而不是仅仅凭直觉，凭直觉得出的东西一般总是错误的。除了画出学习曲线之外，一件非常有用的事是误差分析在构造垃圾邮件分类器时，会关心交叉验证数据集，然后观察邮件被算法错误地分类（错例）。因此，通过这些被算法错误分类的垃圾邮件与非垃圾邮件，可以发现某些系统性的规律：什么类型的邮件总是被错误分类。经常地这样做之后，这个过程能启发构造新的特征变量，或者发现现在这个系统的短处，然后启发如何去提高它。

构建一个学习算法的推荐方法为：

1. 从一个简单的能快速实现的算法开始，实现该算法并用交叉验证集数据测试这个算法。
2. 绘制学习曲线，决定是增加更多数据，或者添加更多特征，还是其他选择。
3. 进行误差分析：人工检查交叉验证集中算法中产生预测误差的实例，看看这些实例是否有某种系统化的趋势。

以垃圾邮件过滤器为例，误差分析要做的既是检验交叉验证集中算法产生错误预测的所有邮件，看：是否能将这些邮件按照类分组。例如医药品垃圾邮件，仿冒品垃圾邮件或者密码窃取邮件等。然后看分类器对哪一组邮件的预测误差最大，并着手优化。思考怎样能改进分类器。例如，发现是否缺少某些特征，记下这些特征出现的次数。例如记录下错误拼写出现了多少次，异常的邮件路由情况出现了多少次等等，然后从出现次数最多的情况开始着手优化。
误差分析并不总能帮助判断应该采取怎样的行动。有时需要尝试不同的模型，然后进行比较，在模型比较时，用数值来判断哪一个模型更好更有效，通常是看交叉验证集的误差。在垃圾邮件分类器例子中， 对于“ 是否应该将discount/discounts/discounted/discounting 处理成同一词？”如果这样做可以改善算法，会采用一些截词软件。误差分析不能帮助做出这类判断，只能尝试采用和不采用截词软件这两种不同方案，然后根据数值检验的结果来判断哪一种更好。因此，当在构造学习算法的时候，总是会去尝试很多新的想法，实现出很多版本的学习算法，如果每一次实践新想法的时候，都要手动地检测这些例子，去看看是表现差还是表现好，那么这很难让做出决定。到底是否使用词干提取，是否区分大小写。但是通过一个量化的数值评估，可以看看这个数字，误差是变大还是变小了。可以通过它更快地实践新想法，它基本上非常直观地表现：想法是提高了算法表现，还是让它变得更坏，这会大大提高实践算法时的速度。所以强烈推荐在交叉验证集上来实施误差分析，而不是在测试集上。但是，还是有一些人会在测试集上来做误差分析。即使这从数学上讲是不合适的。所以还是推荐在交叉验证向量上来做误差分析。

总结一下，当在研究一个新的机器学习问题时，推荐实现一个较为简单快速、即便不是那么完美的算法。不要担心算法太简单，或者太不完美，而是尽可能快地实现算法。当有了初始的实现之后，它会变成一个非常有力的工具，来帮助决定下一步的做法。因为可以先看看算法造成的错误，通过误差分析，来看看他犯了什么错，然后来决定优化的方式。另一件事是：假设有了一个快速而不完美的算法实现，又有一个数值的评估数据，这会帮助尝试新的想法，快速地发现尝试的这些想法是否能够提高算法的表现，从而会更快地做出决定，在算法中放弃什么，吸收什么误差分析可以帮助系统化地选择该做什么。

---

11 - 3 - Error Metrics for Skewed Classes

在前面的课程中，提到了误差分析，以及设定误差度量值的重要性。那就是，设定某个实数来评估学习算法，并衡量它的表现，有了算法的评估和误差度量值。使用一个合适的误差度量值，对于学习算法造成非常微妙的影响，这件重要的事情就是偏斜类（skewed classes）的问题。类偏斜情况表现为训练集中有非常多的同一种类的实例，只有很少或没有其他类的实例。例如希望用算法来预测癌症是否是恶性的，在训练集中，只有0.5%的实例是恶性肿瘤。假设编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有0.5%。然而通过训练而得到的神经网络算法却有1%的误差。这时，误差的大小是不能视为评判算法效果的依据的。查准率（Precision）和查全率（Recall） 将算法预测的结果分成四种情况：

1. 正确肯定（True Positive,TP）：预测为真，实际为真

2. 正确否定（True Negative,TN）：预测为假，实际为假

3. 错误肯定（False Positive,FP）：预测为真，实际为假

4. 错误否定（False Negative,FN）：预测为假，实际为真
   则：查准率=TP/(TP+FP)。例，在所有预测有恶性肿瘤的病人中，实际上有恶性肿瘤的病人的百分比，越高越好。
   查全率=TP/(TP+FN)。例，在所有实际上有恶性肿瘤的病人中，成功预测有恶性肿瘤的病人的百分比，越高越好。
   这样，对于刚才那个总是预测病人肿瘤为良性的算法，其查全率是0。
   

   ---

11 - 4 - Trading Off Precision and Recall

在很多应用中，都希望能够保证查准率和召回率的相对平衡。继续沿用刚才预测肿瘤性质的例子。假使，算法输出的结果在0-1 之间，使用阀值0.5 来预测真和假。

查准率(Precision)=TP/(TP+FP) 例，在所有预测有恶性肿瘤的病人中，实际上有恶性肿瘤的病人的百分比，越高越好。
查全率(Recall)=TP/(TP+FN)例，在所有实际上有恶性肿瘤的病人中，成功预测有恶性肿瘤的病人的百分比，越高越好。
如果希望只在非常确信的情况下预测为真（肿瘤为恶性），即希望更高的查准率，可以使用比0.5 更大的阀值，如0.7，0.9。这样做会减少错误预测病人为恶性肿瘤的情况，同时却会增加未能成功预测肿瘤为恶性的情况。如果希望提高查全率，尽可能地让所有有可能是恶性肿瘤的病人都得到进一步地检查、诊断，可以使用比0.5 更小的阀值，如0.3。可以将不同阀值情况下，查全率与查准率的关系绘制成图表，曲线的形状根据数据的不同而不同：

希望有一个帮助选择这个阀值的方法。一种方法是计算F1 值（F1 Score），其计算公式为：?1?????=2$\frac{PR}{P+R}$
选择使得F1 值最高的阀值。

---

11 - 5 - Data For Machine Learning

很多很多年前，两位研究人员Michele Banko 和Eric Brill 进行了一项有趣的研究，他们尝试通过机器学习算法来区分常见的易混淆的单词，他们尝试了许多种不同的算法，并发现数据量非常大时，这些不同类型的算法效果都很好。

比如，在这样的句子中：早餐我吃了__个鸡蛋(to,two,too)，在这个例子中，“早餐我吃了2 个鸡蛋”，这是一个易混淆的单词的例子。于是他们把诸如这样的机器学习问题，当做一类监督学习问题，并尝试将其分类，什么样的词，在一个英文句子特定的位置，才是合适的。他们用了几种不同的学习算法，这些算法都是在他们2001 年进行研究的时候，都已经被公认是比较领先的。因此他们使用了一个方差，用于逻辑回归上的一个方差，被称作"感知器"(perceptron)。他们也采取了一些过去常用，但是现在比较少用的算法，比如 Winnow算法，很类似于回归问题，但在一些方面又有所不同，过去用得比较多，但现在用得不太多。还有一种基于内存的学习算法，现在也用得比较少了，而且他们还用了一个朴素算法。
下面希望探讨，什么时候会希望获得更多数据，而非修改算法。他们所做的就是改变了训练数据集的大小，并尝试将这些学习算法用于不同大小的训练数据集中，这就是他们得到的结果。

这些趋势非常明显，首先大部分算法，都具有相似的性能，其次，随着训练数据集的增大，在横轴上代表以百万为单位的训练集大小，从0.1 个百万到1000 百万，也就是到了10亿规模的训练集的样本，这些算法的性能也都对应地增强了。事实上，如果选择任意一个算法，可能是选择了一个"劣等的"算法，如果给这个劣等算法更多的数据，那么从这些例子中看起来的话，它看上去很有可能会其他算法更好，甚至会比"优等算法"更好。由于这项原始的研究非常具有影响力，因此已经有一系列许多不同的研究显示了类似的结果。这些结果表明，许多不同的学习算法有时倾向于表现出非常相似的表现，这还取决于一些细节，但是真正能提高性能的，是能够给一个算法大量的训练数据。像这样的结果，引起了一种在机器学习中的普遍共识：“取得成功的人不是拥有最好算法的人，而是拥有最多数据的人”。
那么这种说法在什么时候是真，什么时候是假呢？因为如果有一个学习算法，并且如果这种说法是真的，那么得到大量的数据通常是保证具有一个高性能算法的最佳方式，而不是去争辩应该用什么样的算法。
假如有这样一些假设，在这些假设下有大量认为有用的训练集，假设在机器学习问题中，特征值?包含了足够的信息，这些信息可以帮助用来准确地预测?，例如，如果采用了一些容易混淆的词，如：two、to、too，假如说它能够描述?，捕捉到需要填写的空白处周围的词语，那么特征捕捉到之后，就希望有对于“早饭我吃了__鸡蛋”，那么这就有大量的信息来告诉中间需要填的词是“两个”(two)，而不是单词 to 或too，因此特征捕捉，哪怕是周围词语中的一个词，就能够给足够的信息来确定出标签 ?是什么。换句话说，从这三组易混淆的词中，应该选什么词来填空。那么让来看一看，大量的数据是有帮助的情况。假设特征值有足够的信息来预测?值，假设使用一种需要大量参数的学习算法，比如有很多特征的逻辑回归或线性回归，或者用带有许多隐藏单元的神经网络，那又是另外一种带有很多参数的学习算法，这些都是非常强大的学习算法，它们有很多参数，这些参数可以拟合非常复杂的函数，因此要调用这些，将把这些算法想象成低偏差算法，因为能够拟合非常复杂的函数，而且因为有非常强大的学习算法，这些学习算法能够拟合非常复杂的函数。很有可能，如果用这些数据运行这些算法，这种算法能很好地拟合训练集，因此，训练误差就会很低了。现在假设使用了非常非常大的训练集，在这种情况下，尽管希望有很多参数，但是如果训练集比参数的数量还大，甚至是更多，那么这些算法就不太可能会过度拟合。也就是说训练误差有希望接近测试误差。
另一种考虑这个问题的角度是为了有一个高性能的学习算法，希望它不要有高的偏差和方差。因此偏差问题，将通过确保有一个具有很多参数的学习算法来解决，以便能够得到一个较低偏差的算法，并且通过用非常大的训练集来保证。

在此没有方差问题，算法将没有方差，并且通过将这两个值放在一起，最终可以得到一个低误差和低方差的学习算法。这使得能够很好地测试测试数据集。从根本上来说，这是一个关键的假设：特征值有足够的信息量，且有一类很好的函数，这是为什么能保证低误差的关键所在。它有大量的训练数据集，这能保证得到更多的方差值，因此这给提出了一些可能的条件，如果你有大量的数据，而且你训练了一种带有很多参数的学习算法，那么这将会是一个很好的方式，来提供一个高性能的学习算法。关键的测试：
首先，一个人类专家看到了特征值 ?，能很有信心的预测出?值吗？因为这可以证明 ? 可以根据特征值?被准确地预测出来。
其次，实际上能得到一组庞大的训练集，并且在这个训练集中训练一个有很多参数的学习算法吗？