《机器学习》读书笔记1——基本概念

一、统计学习方法的概述

参考《统计学习方法》第一章

1. 统计学习研究对象:数据

2. 统计学习基本假设:同类数据有一定的统计规律性，所以可以用概率统计方法处理它们。用随机变量描述数据中的特征，用概率分布描述数据统计规律

3. 统计学习目的/方法：基于数据通过构建概率统计模型，实现对数据的分析和预测

4. 统计学习三要素：模型、策略（选取最优模型准则）和算法（如何选取最优模型）

5. 统计学习分类

   • 监督学习supervised learning：从标注数据中学习预测模型
     • 回归：特征和标签都是连续的（输入输出变量）
     • 分类：标签是有限个离散变量
     • 标注：输入观测序列，输出标记或状态序列。如：隐马尔可夫模型、条件随机场。
   • 无监督学习unsupervised learning：从无标注数据中学习预测模型，如聚类、主成分分析PCA、LDA等
   • 强化学习structure learning：智能系统在与环境连续互动中学习最优策略行为的机器学习问题，本质是最优序贯决策，学习的策略是给定状态下的动作。
   • 半监督学习semi-supervised learning：用标注和未标注数据一起学习预测模型。旨在用未标注数据中的信息，辅助标注信息，进行监督学习。
   • 主动学习active learning：指机器不断主动给出实例让教师进行标注,然后利用标注数据学习预测模型的机器学习问题。通常的监督学习使用给定的标注数据,往往是随机得到的,可以看作是“被动学习”,主动学习的目标是找出对学习最有帮助的实例让教师标注,以较小的标注代价,达到较好的学习效果。

   半监督学习和主动学习更接近监督学习。

6. 概率模型与非概率模型
   条件概率分布最大化后得到函数,函数归一化后得到条件概率分布

概率模型	非概率模型
监督学习中是取条件概率分布形式P(y/x)	监督学习选取函数形式y=f(x)
无监督学习中是取条件概率分布形式P(z/x) 或P(x/z)	无监督学习中是取函数形式y=g(x)
决策树、朴素贝叶斯、隐马尔可夫模型、条件随机场、概率潜在语义分析、潜在狄利克雷分配、高斯混合模型	感知机、支持向量机、 k 近邻、 AdaBoost 、 k 均值、潜在语义分析,以及神经网络

7. 为什么我们需要学习机器学习：给AI选取适合的模型（即通过策略和算法来找出最优模型）

二、 机器学习的主要任务

参考《深入浅出PyTorch》第一章

2.1 什么是模型

从概率论的角度说，机器学习模型是一个概率分布 $P_{\theta }(X)$ (这里以概率密度函数来代表概率分布)

• X ：训练数据
• $\theta ={\theta }_1...{\theta }_n$表示概率分布$P_{\theta }$的 n个参数

机器学习的任务就是求最优参数${\theta }_t$ ,使得概率分布 $P_{\theta }(X)$ 最大(即已发生的事实，其对应的概率理应最大）。
$${\theta }_t=\underset{\theta }{\mathrm{argmax}}{P}_{\theta }X$$

其中 argmax 函数代表的是取参数使得数据的概率密度最大。
求解最优参数${\theta }_t$的过程,我们称之为模型的训练过程( Training ),用来训练这个模型的数据集称之为训练集X( Training Set ),由此得到的模型就可以用来做相应的预测。

2.2 生成式模型和判别式模型

2.2.1生成式模型和判别式模型区别

有监督学习中，训练数据包括输入X和标签Y。所以模型求的是X和Y的概率分布。根据概率论的知识可以知道，对应的概率分布（以概率密度函数指代概率分布）有两种：

• 联合概率分布：$P_{\theta }(X,Y)$，表示数据和标签同时出现的概率，对应于生成式模型。
• 条件概率分布：P_{\theta }(Y|X)，表示给定数据条件下，对应标签的概率，对应于判别式模型。

进一步理解：

• 生成式模型：除了能够根据输入数据 X 来预测对应的标签 Y ,还能根据训练得到的模型产生服从训练数据集分布的数据( X ，Y），相当于生成一组新的数据，所以称之为生成式模型。
• 判别式模型：仅仅根据X由条件概率$P_{\theta }(Y|X)$来预测标签Y。牺牲了生成数据的能力，但是比生成式模型的预测准确率高。

2.2.2 为啥判别式模型预测效果更好

原因如下：由全概率公式和信息熵公式可以得到：
$$P(X,Y)=\int P(Y|X)P(X)dX$$
即计算全概率公式$P(X,Y)$时引入了输入数据的概率分布$P(X)$，而这个并不是我们关心的。我们只关心给定X情况下Y的分布，这就相对削弱了模型的预测能力。
另外从信息熵的角度进行定量分析。

1. X的信息熵定义为：
   $$H(X)=-\int P(X)logP(X)dX$$
2. 两个离散随机变量 X 和 Y 的联合熵 (Joint Entropy) 表示两事件同时发生系统的不确定度:
   $$H(X,Y)=-\int P(X,Y)logP(X,Y)dXdY$$
3. 条件熵 (Conditional Entropy) H(Y|X)表示在已知随机变量X的条件下随机变量Y的不确定性：
   $$H(Y|X)=-\int P(Y|X)logP(Y|X)dX$$

可以推导出来$H(Y|X)=H(X,Y)-H(X)$.一般H(X)>0（所有离散分布和很多连续分布满足这个条件），可以知道条件分布的信息熵小于联合分布，即判别模型比生成式模型含有更多的信息，所以同条件下比生成式模型效果更好。

2.3 极大似然估计

我们可以把训练集X拆成单条数据的集合X=(X_{1}…X_{n})。每个X的子集为迷你批次。假设单条数据互相独立，上式改写的单条数据乘积可以转为概率对数的求和：
$${\theta }_t=\underset{\theta }{\mathrm{argmax}}\prod _i{P}_{\theta }{X}_i=\underset{\theta }{\mathrm{argmax}}\sum _{i}log{P}_{\theta }{X}_i$$

极大似然估计MLE(Maximum Linklihood Estimation)：整体求解上式最优参数${\theta }_t$的过程。

2.4 损失函数

参考《机器学习常用损失函数小结》

以线性回归举例，其模型可以简单地认为是拟合一个函数：$y=f_{\theta }(x)$。

1. 假设噪声符合正态分布$N(0,{\sigma }^2)$，通过极大似然估计求最优参数${\theta }_t$。将正态分布公式代入有：

$${\theta }_t=\underset{\theta }{\mathrm{argmax}}\sum _{i}log{P}_{\theta }{X}_i=\underset{\theta }{\mathrm{argmax}}\sum _{i}log\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{f_{\theta }(X_i)-Y_i{)}^2}{2{\sigma }^2}}$$

$${\theta }_t=\underset{\theta }{\mathrm{argmin}}\sum _{i}log(f_{\theta }(X_i)-Y_i{)}^2$$
上面argmin中的函数 称之为MSE损失函数或者L2模损失函数。

2. 如果噪声符合拉普拉斯分布，则有：$$P_{\theta }(X_i)=e^{-\alpha |f_{\theta }(X_i)-Y_i)|}$$
   $${\theta }_t=\underset{\theta }{\mathrm{argmin}}\sum _{i}log|(f_{\theta }(X_i)-Y_i)|$$
   上面得到的称之为MAE或者L1模损失函数。

2.5 梯度下降法

2.5.1为啥使用梯度下降法求解

解方程求解的缺点：

1. 机器学习的场景中，训练样本量通常很大，海量的方程通常很难求解。矩阵方式求解，涉及百万维的矩阵运算，对算力。配置要求很高
2. 线性回归在对应多元一次方程，尚有解析解。当模型更复杂时（比如不止线性回归），很难找到解析解。即使有，也是特定模型求特定的解析解，无法推广到别的模型
3. 解方程需要一次加载全部数据，在数据量很大时，基本做不到（内存会爆）

2.5.2 梯度下降法本质

1. 梯度：在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x, ∂f/∂y)T,简称grad f(x,y)或者▽f(x,y)。
2. 梯度向量的意义：从几何意义上讲，梯度就是函数变化增加最快的地方。沿着梯度向量的方向，更加容易找到函数的最大值。反过来说，沿着梯度向量相反的方向，也就是 -(∂f/∂x0, ∂f/∂y0)T的方向，梯度减少最快，也就是更加容易找到函数的最小值
3. 梯度下降不一定能够找到全局的最优解，有可能是一个局部最优解。当然，如果损失函数是凸函数，梯度下降法得到的解就一定是全局最优解。

2.5.3 梯度下降的算法调优

1. 选择合适的学习率（步长），调整每次优化时参数调整的步幅。梯度只是代表下降的方向，真正下降的步幅由学习率控制。太小会很慢，太大会震荡。
2. 算法参数的初始值选择。初始值不同，获得的最小值也有可能不同，因此梯度下降求得的只是局部最小值（除非是凸函数）由于有局部最优解的风险，需要多次用不同初始值运行算法
3. 归一化。样本不同特征的量纲不一样，会导致迭代很慢（而且结果主要由量纲最大的特征决定）为了减少特征取值的影响，可以对特征数据归一化，也就是对于每个特征x，求出它的期望x¯和标准差std(x)，然后转化为：x−x¯/std(x)。这样特征的新期望为0，新方差为1，迭代速度可以大大加快。（也可以防止过拟合）
4. 使用合适的优化器（此处不展开）

2.5 数据集的划分和正则化

• 训练集：训练模型，训练中，模型分布会逐渐趋向训练集分布。所以一定程度后会过拟合。
• 验证集：选取超参数。超参数是不随训练过程变化的模型的参数。比如lr、batch_size等。
• 测试集：避免超参数的调节影响最终结果。因为 超参数的调节总是以降低验证集的损失函数为目的。所以测试集只能使用一次。（使用多次就也成了验证集了）

2.6 如何防止过拟合

在之前的推导中，没有假设参数的范围，参数在很大范围内变动，所以模型容易过拟合。

2.6.1 先验分布和正则化

为了减小过拟合趋势，可以认为假设参数满足一定的分布，减小参数的选择范围。这种人为选择的参数分布称之为先验分布。

1. 假设参数的选择服从正态分布，可以得到：
   $${\theta }_t=\underset{\theta }{\mathrm{argmax}}\sum _{i}log{P}_{\theta }(X_i|\theta )P(\theta )=argmin\sum _{i}log(f_{\theta }(X_i)-Y_i{)}^2+\frac{\alpha }{2}||\theta |{|}^2$$
   后一项为L2正则化系数，是所有参数的平方和乘以系数$\alpha$。其中，$\alpha =\frac{{\sigma }^2}{{\sigma }_1^2}$。正则化系数越大，正则化效果越强，模型更偏向欠拟合区域。反之偏向过拟合区域。调节正则化系数就可以调节模型的过拟合情况。
2. 假设参数的选择服从拉普拉斯分布，最后会得到L1正则化项，即所有参数绝对值之和。

2.6.2 防止过拟合的其它方法

• 提前停止：验证集loss不再下降反而上升，可以判断是过拟合，提前停止训练
• dropout：把神经元按照一定概率置为零
• 权重衰减Weight Decay

这些方法本质都是减小参数的变化空间，缩小模型的表示范围，达到训练模型又较好泛化的效果。

2.7 归一化的作用

1. 使得梯度下降求解时，loss在x的各个维度上的梯度比较一致，各个维度w更新幅度也比较一致，这样可以加快收敛

• 比如逻辑回归中，loss对w导数=$(y^{\prime }-y)x$,$x=(x_1,x_2...x_n)$。假如$x_1$的量纲远远大于$x_2$,则loss对w1的梯度远大于loss对w2的梯度，就会使得更次更新w的时候，在w1方向上的幅度特别大。而x1量纲很大，对w1的变化更敏感，这时候w1剧烈变化会造成loss下降震荡的情况，收敛很慢甚至难以收敛
• 为了使w1和w2对loss下降的贡献一致，我们希望w1更新幅度小，w2更新幅度大，loss对的敏感度一样，这样loss走直线直接下级到最低点。这时，可以设置较高的学习率，减少迭代次数，加快训练。所以需要对x1和x2做归一化处理。

2. 消除特征之间量纲的影响，使得不同特征之间具有可比性。否则模型训练结果主要由量纲最大特征的决定。
3. 防止过拟合
4. 归一化有min-max归一化和零均值归一化。前者是$x=\frac{x-x_{min}}{x_{max}-x_{min}}$。后者是$x=\frac{x-\mu }{\sigma }$。训练时启用BN，得到参数$\mu$和$\sigma$。预测时不启用BN，采用训练集的训练好的参数进行无偏估计。（待补充）
5. 决策树不需要归一化。决策树进行节点分裂主要靠数据集对x的信息增益比来进行。信息增益比跟x是否归一化无关。