李宏毅老师2020机器学习（深度学习）——知识点总结篇（21-30）

最新推荐文章于 2022-06-05 22:26:42 发布

阿芒Aris

最新推荐文章于 2022-06-05 22:26:42 发布

阅读量1.2k

点赞数

分类专栏：课程向文章标签：深度学习机器学习人工智能神经网络

本文链接：https://blog.csdn.net/qq_44574333/article/details/109180407

版权

课程向专栏收录该内容

75 篇文章 56 订阅

订阅专栏

李宏毅老师2020机器学习——知识点总结篇（21-30）

李宏毅老师2020机器学习课程主页：
http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html
视频链接地址：
https://www.bilibili.com/video/BV11E41137sE?p=1

- 李宏毅老师2020机器学习——知识点总结篇（21-30）
21 Unsupervised Learning:Word Embedding
22 HW4 RNN
23 Explainable Machine Learning-1
24 Local Explanation: Explain the Decision(Explainable Machine Learning-2)
25 Explainable Machine Learning-3
26 Global Explanation (Explainable Machine Learning-4)
27 Global Explanation（Explainable Machine Learning-5）
28 Using a Model to Explain Another（Explainable Machine Learning-6）
- Local Interpretable Model-Agnostic Explanations （LIME）
29 LIME（Explainable Machine Learning-7）
30 Decision Tree（Explainable Machine Learning-8）

注：本知识点仅供大家参考和快速了解这门课，每一节均为笔者听后仅总结细节和重点（而无基础知识），李宏毅老师的课程非常好，详细学习的读者还是请自行一一观看学习。作业代码也在持续整理。

以下顺序均参照视频顺序，无缺无改

21 Unsupervised Learning:Word Embedding

You shall know a word by the company it keeps

Count based： $V(w_i) . V(w_j) <-> N_{i,j}$
如Glove Vector
Predition based：

因为要根据输入的词汇预测下一个挨着的词汇，故如果两个词汇的下文相同，它们对应的隐藏层的参数也就相似。

CBOW: use $w_{i-1} , w_{i+1}$ to predict $w_{i}$
Skip-gram: $w_{i}$ to predict $w_{i-1} , w_{i+1}$

在论文刚出现时训练隐藏层的神经网络其实并不深，仅有一层，为什么呢？在当时，发明者表示早期就有了这种word embedding的方法，但它们的神经网络都是较深的，导致训练速度慢、不能训练大量的数据。

讲个励志故事，word embedding发明人最初投稿的时候，投给了并不出名的期刊，但是被拒了并附有类似这是什么东西的，能有什么用的评论。现在这篇word embedding已经”家喻户晓“了。

22 HW4 RNN

LSTM实现文本分类，已整理完

23 Explainable Machine Learning-1

有这样两种 Explainable ML：

Local Explanation
Why do you think “this image” is a cat?
Global Explanation
Why do you think a “cat” looks like?

decision tree其实是现有既比lr强大，可解释性又不错的模型。

24 Local Explanation: Explain the Decision(Explainable Machine Learning-2)

Why do you think “this image” is a cat?

基本思想：把某一个component修改或拿掉，如果对机器预测的结果有很大的影响就说明这个componet很重要
在这里插入图片描述
有这样一个实验，通过改变灰度方框遮挡位置来进行图像分类的可解释机器学习。上图红色的部分表示模型确信正确标签的程度，如上图第一个识别博美狗，当灰色方框遮挡住狗头时，模型便无法确定这张图是否是博美狗了，也就是说狗头部分将是模型判断为博美狗的重要因素。

但值得注意的是，灰度图的大小也是一个重要的参数，不同大小的灰度图最终得到的可解释结论也不同。

在这里插入图片描述
还有这样一种方法，根据目标值的变化对扰动的梯度作为亮度画图，Saliency Map来判断哪部分是重要的。

类似梯度的方法还有很多。但是这种方法会遇到下图这样的问题
在这里插入图片描述
解决方法：见上图论文

25 Explainable Machine Learning-3

图像分类宝可梦和数码宝贝，经过Saliency Map画图后，可以发现机器真正在意的不是宝可梦或数码宝贝的本体，而是主要考虑了本体周围的边缘。后来发现原来所有的宝可梦都是PNG的，而数码宝贝都是JPEG的。（PNG透明背景）

26 Global Explanation (Explainable Machine Learning-4)

Why do you think a “cat” looks like?

在这里插入图片描述
我们可以通过找 $x^{\star}$ 使得某一类 $y_i$ 的值最大，代表机器在判断 $y_i$ 这类时主要关注了什么，即
$x^{\star} = \argmax_x(y_i)$
但是仅考虑这一点，对手写数字识别可以得到上图左侧的图片，这是完全没法看出来什么的。

因此又引入了 $R (x)$ ，代表当前的x有多么像一个数字，即
$-\sum_{i,j}^x|x_{ij}|$
加上这个限制后得到了上图右侧的图像。

27 Global Explanation（Explainable Machine Learning-5）

可以训练Generator来生成图片

在这里插入图片描述
训练的目标从
$x^{\star} = \argmax_x(y_i)$
变成
$z^{\star} = \argmax_z(y_i)$

训练过程从直接找x使得某类y的预测值越大；改为找低纬度向量z，用图片生成器生成x，再通过x进行图片分类使得某类y的预测值越大。最后再把 $z^{\star}$ 用图片生成进行展示。

那为什么要这么做的，因为引入Image Generator相当于加了一种限制，它能够使机器最终展示给我们的一定是一张正常的图片，是可解释的。

28 Using a Model to Explain Another（Explainable Machine Learning-6）

基本思想：某些模型是可以被解释的，假设可解释的模型和不可解释的模型做的事请是一样的，用这些可解释的模型去分析不可解释的模型做了什么。用可解释的模型去模仿不可解释的模型，如下图所示
在这里插入图片描述

Local Interpretable Model-Agnostic Explanations （LIME）

决定想要分析的数据点
在想要分析的数据点附近采样，将采样的点带到需要解释的黑盒中，得到黑盒结果
训练LR预测黑盒结果
分析LR模型来解释黑盒

在这里插入图片描述

29 LIME（Explainable Machine Learning-7）

LIME一般只能用在Loacl Explaination上，因为如果用LR是很难模仿整个被解释模型的。

LIME使用步骤如下图

在这里插入图片描述

比如我们对图片进行二分类，判断这样图片是不是青蛙，使用LIME进行模型解释时，有上述四个步骤：

选定需要被解释的数据点，即选取一张青蛙图片
在被解释的数据点附近采样，可以考虑对这张图片加噪音，较常见的方法是将一张图片分块，每次仅用几块，也就是一张图片的一部分进行需要被解释的模型的预测，并记录预测结果
使用LR进行上述图片的一部分的线性拟合，使其尽可能预测为黑盒的预测结果。在这里需要注意的是如果直接用图片输入给LR会导致参数量过多，因此往往会通过一个feature extractor进行特征提取后再交给LR预测
通过LR内训练得到的权重参数w，来确定对于黑盒而言，哪一部分是重要的，即解释黑盒是通过观察到什么而确定一张图片是青蛙的。

LIME的实验结果如下
在这里插入图片描述