说明:本文是自己对周志华 2016 年《机器学习》中“没有免费的午餐定理”的简单论证解释和习题 1.4 的解答,难免有误欢迎指正。看没看书不影响看本文的理解。
我们在机器学习中衡量两个算法,到底孰优孰劣,该怎么考虑?“没有免费的午餐定理”仿佛给了一个很令人 depressing 的答案:针对某一域的所有问题,所有算法的期望性能是相同的。但注意,这里有两个关键词,某一域的“所有”,和“期望”性能。所以它并没有否认两个算法有优劣之分,并且事实上还提供了一个视角让我们理解为什么在机器学习中,我们可以选择算法的优劣性。
“没有免费的午餐定理”就是由 Wolpert and Macready 在 1997 年在优化领域中提出的 No Free Lunch Theorems(NFL),可以简单理解为:针对某一具体域内的所有优化问题 Q,经过 m 步迭代之后达到目标函数给定值的所有可能性的累加和是相等。用在机器学习中就是刚刚说的“针对某一域的所有问题,所有算法的期望性能是相同的”, 在该域的有些问题上算法 La 比 Lb 好,其余问题上则有 Lb 比 La 好。
现在来理解一下书中的证明过程(Page 8),这个没什么 tricky,希望有耐心些很好理解。需说明书中这里讨论的是二分类问题,假设数据空间 X 和假设空间 H 都是离散的,样本空间记作 X ;且真实目标函数对所有可能的
首先需要明确这里算法性能是通过衡量训练集外误差得到的,即 off-training error(ote),本题所说的“训练集外”就是 X−X 。“误差”也就是机器学习所说的损失函数(Loss function),Page 8 已经要求了损失函数为 L(h,f(x))=1(h,f(x)) 。算法 La 在所有训练集外的误差其实就是机器学习中说的风险函数,即
符号说明:
1) ∑fEote(La)|X,f) 表示在该域所有问题上算法 La 在训练集外即