周志华机器学习---训练集外误差

---

前言

  本人为机器机器学习初学，正在一点一点阅读周志华老师的西瓜书，顺便写点笔记与自己的理解。
  本次笔记主要是在阅读到绪论部分时对训练集外误差公式的理解，如有不正之处，欢迎指出。

---

提示：以下是本篇文章正文内容，下面理解可供参考

一、基本术语

1.数据集（dataset）

  一组记录的集合。例如：（色泽=青绿；根蒂=稍蜷；敲声=沉闷）。

2.样本（sample）

  数据集中的每条记录，它是关于一个事件或对象的描述。又称示例（instance）。例如：色泽=青绿。

3.属性（attribute）

  反映事件或对象在某方面的表现或性质的事项。又称特征（feature）。例如色泽。

4.属性值（attribute value）

  属性上的取值。例如：青绿。

5.属性空间（attribute space）

  属性张成的空间。又称样本空间（sample space）。例如：把色泽、根蒂、敲声作为三个坐标轴，它们张成的一个描述西瓜的三维空间，每个西瓜都可以在这个空间中找到一个对应的坐标位置，这个点对应一个坐标向量，这个示例又称为一个“特征向量”（feature vector）。

6.学习（learning）/训练（training）

  从数据中学得模型的过程，这个过程是通过执行某个学习算法来完成。

7.训练数据（training data）

  训练过程中使用的数据。

8.训练样本（training sample）

  训练数据中的每个样本。

9.训练集（training set）

  训练样本组成的集合。

10.假设（hypothesis）

  学得模型对应了关于数据的某种潜在的规律。

11.学习器（learner）

  模型又称学习器。

12.标记（label）

  学得一个模型，仅有已有的示例数据是不够的。要建立一个关于“预测”（prediction）的模型，需要获得训练样本的“结果”信息。例如“（（色泽=青绿；根蒂=稍蜷；敲声=浊响），好瓜）”。这里关于示例结果的信息“好瓜”，称为标记。

13.样例（example）

  拥有了标记信息的示例。

14.分类（classification）

  欲预测的是离散值。

15.回归（regression）

  欲预测的是连续值。

16.测试（testing）

  学得模型后，使用其进行预测的过程。

17.簇（cluster）

  将训练集中的记录分组，每个组就是一个簇。

18.聚类（clustering）

  将训练集分组的过程。

19.监督学习（supervised learning）

  训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标记之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。代表：分类和回归。

20.无监督学习（unsupervised learning）

  在只有特征没有标记的训练数据集中，通过数据之间的内在联系和相似性将他们分成若干类。代表：聚类。

21.泛化能力（generalization）

  学得模型适用于新样本的能力。

22.独立同分布（independent and identically distributed 简称i.i.d.）

  假设样本空间中全体样本服从一个未知的“分布”D，我们获得的每个样本都是独地从这个分布上采样获得的，即“独立同分布”。

23.归纳偏好(Inductive Bias）

  机器学习算法在学习过程中对某种类型假设的偏好，称为“归纳偏好”。与特征选择（feature selection）有关。

24.没有免费的午餐定理（No Free Lunch Theorem）

若学习算法La在某些问题上比学习算法Lb要好，那么必然存在另一些问题，在这些问题中Lb比La泛化能力强。

二、训练集之外误差

1.等式解释

  La在训练集之外的所有样本上的误差为：

  χ:样本空间。        H:假设空间。
  La、Lb:学习算法。学习算法有其偏好性，对于相同的训练数据，不同的学习算法可以产生不同的假设，学得不同的模型，因此才会有哪个学习算法对于具体问题更好。这里这个没有免费的午餐定理要证明的就是:若对于某些问题算法La学得的模型更好，那么必然又有在另一些问题中，算法Lb学得的模型更好。这里的好坏在下文中使用算法对于所有样本的总误差来表示。
  P(h|X,La): 算法La基于训练数据X产生假设h的概率。既然前面有假设空间这个概念，那么假设h自然不止一个，并且对于整个空间的每一个h，P(h|X,La)的总和等于1。这里的假设是一个映射，是y=h(x)，是基于数据X产生的对于学习目标(判断好瓜)的预测。因数据X不一样，所以可能产生不一样的假设h。
  f:希望学得的真实目标函数。这个函数不是唯一的，而是存在一个函数空间，在这个空间中按某个概率分布，下文证明中采用的是均匀分布。
  E是期望expectation，这个下标ote,是off-training error，即训练集外误差。
  Eote(La|X,f): 算法La学得的假设在训练集外的所有样本上的误差的期望。
  P(x): 样本空间中的每个样本的取得概率不同。比如：(色泽=浅白，根蒂=硬挺，敲声=清脆)的西瓜可能比(色泽=浅白，根蒂=稍蜷，敲声=沉闷)的西瓜更多，取到的概率更大。所以有P(x)这个概率。
  Ⅱ(h(x)≠f(x))：指示函数，括号里为真就=1,为假就=0。.

求和符号理解：

  ∑h: 对假设的求和。同一算法对于训练集外（测试集）的不同数据产生的不同的假设，每个假设有不同的概率。

  ∑x∈χ−X：对于样本空间中每一个训练集外的数据都进行右边的运算。

2.二分类问题

  先要说明，对于我们想要求得的真实目标函数f可能也不止一个，这个好理解，因为满足版本空间中的假设的函数都可以是真实目标函数，然后这些不同的f有着相同的概率(均匀分布),函数空间为{0,1},那么有多少个这种函数呢?

  我们来看对于同一个样本的这个预测值，对于样本空间χ中的某个样本x，如果f1(x)=0，f2(x)=1, 那么这就是两个不同的真实目标函数，所以对于某个样本可以区分出两个真实目标函数，一共有|χ|个样本，所以一共有2|χ|个真实目标函数，这些真实目标函数是等可能分布的(均匀分布)，所以对于某个假设h(x)如果h(x)=0那么就有1/2的可能与真实目标函数相等。

3.版本空间与假设空间

假设空间：属性所有可能取值组成的可能的样本

版本空间：与已知数据集一致的所有假设的子集集合。

（绿色加号代表正类样本，红色小圈代表负类样本）

GB 是最大泛化正假设边界(maximally General positive hypothesis Boundary),；

SB 是最大精确正假设边界(maximally Specific positive hypothesis Boundary)

GB与SB之间所围成的区域就是版本空间。

例如：

假设空间

1 色泽＝＊，根蒂＝＊，敲声＝＊

2 色泽＝青绿，根蒂＝＊，敲声＝＊

3 色泽＝乌黑，根蒂＝＊，敲声＝＊

4 色泽＝＊，根蒂＝蜷缩，敲声＝＊

5 色泽＝＊，根蒂＝硬挺，敲声＝＊

6 色泽＝＊，根蒂＝稍蜷，敲声＝＊

7 色泽＝＊，根蒂＝＊，敲声＝浊响

8 色泽＝＊，根蒂＝＊，敲声＝清脆

9 色泽＝＊，根蒂＝＊，敲声＝沉闷

10 色泽＝青绿，根蒂＝蜷缩，敲声＝＊

11 色泽＝青绿，根蒂＝硬挺，敲声＝＊

12 色泽＝青绿，根蒂＝稍蜷，敲声＝＊

13 色泽＝乌黑，根蒂＝蜷缩，敲声＝＊

14 色泽＝乌黑，根蒂＝硬挺，敲声＝＊

15 色泽＝乌黑，根蒂＝稍蜷，敲声＝＊

16 色泽＝青绿，根蒂＝＊，敲声＝浊响

17 色泽＝青绿，根蒂＝＊，敲声＝清脆

18 色泽＝青绿，根蒂＝＊，敲声＝沉闷

19 色泽＝乌黑，根蒂＝＊，敲声＝浊响

20 色泽＝乌黑，根蒂＝＊，敲声＝清脆

21 色泽＝乌黑，根蒂＝＊，敲声＝沉闷

22 色泽＝＊，根蒂＝蜷缩，敲声＝浊响

23 色泽＝＊，根蒂＝蜷缩，敲声＝清脆

24 色泽＝＊，根蒂＝蜷缩，敲声＝沉闷

25 色泽＝＊，根蒂＝硬挺，敲声＝浊响

26 色泽＝＊，根蒂＝硬挺，敲声＝清脆

27 色泽＝＊，根蒂＝硬挺，敲声＝沉闷

28 色泽＝＊，根蒂＝稍蜷，敲声＝浊响

29 色泽＝＊，根蒂＝稍蜷，敲声＝清脆

30 色泽＝＊，根蒂＝稍蜷，敲声＝沉闷

31 色泽＝青绿，根蒂＝蜷缩，敲声＝浊响

32 色泽＝青绿，根蒂＝蜷缩，敲声＝清脆

33 色泽＝青绿，根蒂＝蜷缩，敲声＝沉闷

34 色泽＝青绿，根蒂＝硬挺，敲声＝浊响

35 色泽＝青绿，根蒂＝硬挺，敲声＝清脆

36 色泽＝青绿，根蒂＝硬挺，敲声＝沉闷

37 色泽＝青绿，根蒂＝稍蜷，敲声＝浊响

38 色泽＝青绿，根蒂＝稍蜷，敲声＝清脆

39 色泽＝青绿，根蒂＝稍蜷，敲声＝沉闷

40 色泽＝乌黑，根蒂＝蜷缩，敲声＝浊响

41 色泽＝乌黑，根蒂＝蜷缩，敲声＝清脆

42 色泽＝乌黑，根蒂＝蜷缩，敲声＝沉闷

43 色泽＝乌黑，根蒂＝硬挺，敲声＝浊响

44 色泽＝乌黑，根蒂＝硬挺，敲声＝清脆

45 色泽＝乌黑，根蒂＝硬挺，敲声＝沉闷

46 色泽＝乌黑，根蒂＝稍蜷，敲声＝浊响

47 色泽＝乌黑，根蒂＝稍蜷，敲声＝清脆

48 色泽＝乌黑，根蒂＝稍蜷，敲声＝沉闷

49 Ø

根据总结，按照上述过程进行学习：

（1，（色泽＝青绿、根蒂＝蜷缩、敲声＝浊响），好瓜）

可以删除假设空间中的3、5、6、8、9、11-15、17-21、23-30、32-49

（2，（色泽＝乌黑、根蒂＝蜷缩、敲声＝浊响），好瓜）

可以删除剩余假设空间中的2、10、16、31

（3，（色泽＝青绿、根蒂＝硬挺、敲声＝清脆），坏瓜）

可以删除剩余假设空间中的1

（4，（色泽＝乌黑、根蒂＝稍蜷、敲声＝沉闷），坏瓜）

剩余假设空间中无可删除的假设

学习过后剩余的假设为：

4 色泽＝＊，根蒂＝蜷缩，敲声＝＊

7 色泽＝＊，根蒂＝＊，敲声＝浊响

22 色泽＝＊，根蒂＝蜷缩，敲声＝浊响

这就是最后的“假设集合”，也就是“版本空间”。

总结

  本文介绍了相关专业术语，以及周志华机器学习中训练集外误差的理解。