西瓜书-2.4模型评估与选择

2.4-比较检验

使用某种实验评估方法测得学习器的某个性能度量结果，之后对结果进行比较，但比较并非直接比较性能度量的值，性能比较涉及几个重要因素：

1. 比较泛化性能，通过实验评估方法获得的是测试集上的性能，二者对比结果未必相同。
2. 测试集上的性能 与测试集的选择有关，且即使相同测试集，但测试样例不同，测试结果也不同。
3. 机器学习算法本身有一定随机性。

(默认错误率为性能度量，符合为$$ϵ$$)

统计假设检验为性能比较提供依据，2种基本假设检验如下：

2.4.1-假设检验

• 对象

对单个学习器泛化性能比较，使用了二项检验、t检验方法。

• 介绍

假设是指对学习器泛化错误率分布的某种判断或猜想。

实际中不清楚学习器的泛化错误率，只能得到其测试错误率$$\widehat{ϵ}$$，二者未必相同，但接近可能性较大，故可根据测试错误率估推泛化错误率的分布。

泛化错误率$$ϵ$$：学习器在1个样本上犯错的概率=$$ϵ$$。

测试错误率$$\widehat{ϵ}$$：在m个测试样本中恰有$$(\widehat{ϵ}\ast m)$$个被误分类。

若测试样本从样本总体分布中独立采样获得，而泛化错误率$$ϵ$$的学习器将其中m^’个样本误分类、其余样本全都分类正确的概率是**$${ϵ}^{m^{{}^{\prime }}}(1-{ϵ}^{m-m^{{}^{\prime }}})$$**；则估算出其恰将$$\widehat{ϵ}\ast m$$个样本全部误分类的概率如下所示，也表示包含m个样本的测试集上，泛化错误率为$$ϵ$$的学习器被测得测试错误率$$\widehat{ϵ}$$的概率：
$$P(\widehat{ϵ};ϵ)=\left(\genfrac{}{}{0ex}{}{m}{\widehat{ϵ}\ast m}\right){ϵ}^{\widehat{ϵ}\ast m}(1-ϵ{)}^{m-\widehat{ϵ}\ast m}(2.4-1)$$

• 二项检验

给定测试错误率，则解偏导数得到，$$P(\widehat{ϵ};ϵ)$$在$$ϵ=\widehat{ϵ}$$时最大，$$ϵ到\widehat{ϵ}$$距离增大时P减小，符合二项分布。

补充：

1. $$\begin{gathered} 置信度是1-\alpha 。 \\ 置信水平是指总体参数值落在样本统计值某一区内的概率，一般用1-\alpha 表示； \\ 而置信区间是指在某一置信水平下，样本统计值与总体参数值间误差范围。 \end{gathered}$$
2. s.t.是”subject to“的简写，使左边式子在右边条件满足时成立。

使用二项检验，考虑假设”$$ϵ\le {ϵ}_0$$“，则在$$1-\alpha$$的概率内所能观测到的最大错误率如下：
$$\overline{ϵ}=maxϵs.t.\sum _{i={ϵ}_0\ast m+1}^m\left(\genfrac{}{}{0ex}{}{m}{i}\right){ϵ}^i{(1-ϵ)}^{m-i}<\alpha (2.4-2)$$
此时若$$测试错误率\widehat{ϵ}<临界值\overline{ϵ}$$，则根据二项检验可得出结论：在$$\alpha$$的显著度下，假设”$$ϵ\le {ϵ}_0$$“不能被拒绝，即能以$$1-\alpha$$的置信度认为，学习器的泛化错误率不大于$${ϵ}_0$$；否则该假设可被拒绝。

一般是多次重复留出法或交叉验证法等进行多次训练/测试，这会得到多个测试错误率，使用“t检验”。

假定得到了k个测试错误率，$${\widehat{ϵ}}_1,{\widehat{ϵ}}_2,...,{\widehat{ϵ}}_k$$，从而引入平均测试错误率$$\mu$$和方差$${\sigma }^2$$，如下：
$$\begin{gathered} \mu =\frac{1}{k}\sum _{i=1}^k{\widehat{ϵ}}_i(2.4-3) \\ {\sigma }^2=\frac{1}{k-1}\sum _{i=1}^k({\widehat{ϵ}}_i-\mu {)}^2(2.4-4) \end{gathered}$$
考虑到k个测试错误率可看作泛化错误率$${ϵ}_0$$的独立采样，则变量
$${\tau }_t=\frac{\sqrt{k}(\mu -{ϵ}_0)}{\sigma }(2.4-5)$$
服从自由度为k-1的t分布。

2.4.2-交叉验证t检验

• 对象

对不同学习器性能进行比较。

• 方法

对学习器A和B，使用k折交叉验证法分别2得到测试错误率$${ϵ}_1^A,...,{ϵ}_k^A和{ϵ}_1^B,...,{ϵ}_k^{A}B$$，其中$${ϵ}_i^A和{ϵ}_i^B$$是在相同第i折训练/测试集上得到的结果，可用k折交叉验证“成对t检验”。

思想：若2个学习器的性能相同，则使用相同的训练集/测试集得到的测试错误率相同，即**$${ϵ}_i^A={ϵ}_i^B$$**。

先对每队结果求差，即$${\Delta }_i={ϵ}_i^A-{ϵ}_i^B$$；若2个学习器性能相同，则差值均值=0.因此，据差值$${\Delta }_1,...,{\Delta }_k$$来对“学习器A和B性能相同”这个假设做t检验，得到均值$$\mu$$和方差$${\sigma }^2$$，在显著度$$\alpha$$下，若变量
$${\tau }_t=\left|\frac{\sqrt{k}\mu }{\sigma }\right|(2.4-6)$$
小于临界值$$t_{\alpha /2,k-1}$$，则假设不能被拒绝，认为学习器A和B性能没有显著差异；否则存在显著差异，且平均错误率较小的那个学习器性能较优。

$$t_{\alpha /2,k-1}$$是自由度k-1的t分布上尾部累积分布为$$\alpha /2$$的临界值。

• 问题

假设检验有效的1个重要前提是测试错误率均为泛化错误率的独立采样。

然而实际由于样本有限，在使用交叉验证等实验估计方法时，不同轮次的训练集会有一定程度上的重叠，使得测试错误率实际上并不独立，会导致过高估计假设成立的概率，为缓解这一问题，可采用“5*2交叉验证法”，即做5次2折交叉验证，每次2折交叉验证之前随机将数据打乱，使得5次交叉验证中的数据划分不重复。

2.4.3-McNemar检验

• 对象

对于二分类问题、使用留出法，不同学习器的性能比较。

• 内容

就二分类问题，使用留出法时，可获得学习器A和B的测试错误率且得到分类结果的差别，即都正确、都错误、1对1错，“列联表”如下：

	算法A
算法B	正确	错误
正确	$$e_{00}$$	$$e_{01}$$
错误	$$e_{10}$$	$$e_{11}$$

若假设学习器A和B性能相同，则应有$$e_{01}=e_{10}$$，其变量$$|e_{01}-e_{10}|$$应服从正态分布，且均值为1，以及其他衍生而出的变量服从另外一些分布。当变量满足条件，则假设成立，即A和B性能没有显著差异，否则两者性能有显著差异，且平均错误率小的学习器性能更优。

2.4.4-Friedman检验与Nemenyi后续检验

• 对象

对于多个数据集，多个学习器进行性能比较。

• 内容

  当有多个学习器参与比较时，

  • 一种方法是在每个数据集上分布列出两两比较的结果，而在两两比较时可使用交叉验证t检验。
  • 另一种方法更为直接，使用基于算法排序的Friedman检验。

• 案例

用$$D_1、D_2、D_3、D_4$$4个数据集对算法$$A、B、C$$比较。

1. 使用留出法或交叉验证法得到每个算法在每个数据集上的测试结果。

2. 在每个数据集上根据测试性能由好到坏排序，并赋予序值1、2…；若算法的测试性能相同，则平分序值，如：

   数据集	算法A	算法B	算法C
   $$D_1$$	1	2	3
   $$D_2$$	1	2.5	2.5
   $$D_3$$	1	2	3
   $$D_4$$	1	2	3
   平均序值	1	2.125	2.875

3. 使用Friedman检验来判断算法是否性能相同。若相同，则它们平均序值应当相同。如假定在N个数据集上比较k个算法，令$$r_i$$表示第i个算法的平均序值，先暂不讨论平分序值的情况，则$$r_i$$服从正态分布，其衍生变量也服从卡方分布。

4. 上述“原始Friedman检验”过于保守，现使用新的衍生变量，其服从F分布。

5. 若“所有算法性能相同”的假设被拒绝，则算法性能显著不同，此时用“后续验证”来进一步区分各算法，常用有“Nemenyi后续检验”。

6. Nemenyi后续检验计算出平均序值差别的临界值域$$CD$$。若2个算法的平均序值之差超过临界值域$$CD$$，则以相应的置信度拒绝“2个算法性能相同”这一假设。

7. 上述检验可以直观使用Friedman检验图显示。