【机器学习－西瓜书】二、模型评估：过拟合；自助法；交叉验证法

关键词：
错误率（error rate）；精度（accuracy）；经验误差（empirical error）；泛化误差（generalization error）；过拟合（overfitting）;留出法（hold-out）;交叉验证法（cross validation）;自助法（bootstrapping）;训练集（train set）、验证集（valid set）、测试集（test set）;

推荐阅读：自助法;训练集（train set）、验证集（valid set）、测试集（test set）

2.1 经验误差与过拟合

关键词：错误率（error rate），精度（accuracy）。错误率好理解，就是m个样本中，a个样本分类错误，则错误率E = a/m 。而精度 就是 1-E。 其实很简单，但是为什么我还要提一提呢，因为机器学习里还有很多相关名词，例如：准确率，召回率，精确度等等，所以希望大家能清楚认识。

关键词：经验误差（empirical error）。在训练集上，预测输出与样本的真实输出之间的差异（差异！）称为经验误差或训练误差。

关键词：泛化误差（generalization）。在新样本上的误差称为泛化误差。

关键词：过拟合（overfitting）。刚接触机器学习时候，就碰到过拟合这个很抽象的词， 当时是说的曲线拟合 。曲线拟合其实就是一个过程。该过程是通过实际曲线上的一些样本点（成为训练样本），经过一个模型训练，得到一条预测曲线。（敲黑板：拟合就是一个过程）。那么过拟合就是，拟合过头了，预测曲线非常好的适合训练样本，然而对实际曲线的其他样本不太适合。 推广一下到分类器（模型）上就是，训练好的分类器对训练样本很好的分类，但是对测试样本的分类结果很糟糕。

有过拟合当然有欠拟合啦，欠拟合可以认为是该分类器学习能力太差，连在训练样本上都没有很好的分类，更不要说在测试样本上了。

2.2 评估方法

关键词：留出法（hold-out）。怎么将给定的数据集划分为训练集和测试集呢？常用的方法在这里有介绍。首先介绍的是留出法，其实这种方法在国内教材和论文中最常见，就是把数据集D划分为两个互斥的集合，其中一个是训练集，一个是测试集。书中给出的参考划分比例是，训练集66.6%~80%。

关键词：交叉验证法（cross validation）。交叉验证法是竞赛中或者比较正式的实验中用得比较多。什么是交叉验证呢？ 其实就是将数据集D划分为k个大小相同的互斥的子集，然后用k-1个子集作为训练，剩下那一个子集作为测试。这样就需要训练k个模型，得到k个结果，再取平均即可。这样的方法通常成为“k折交叉验证”。书中还给出了k的参考值，：5，10，20。

关键词：自助法（bootstrapping） 。第一次听说自助法，也从没在文献中看到过，自助法主要是用于小样本！缺点是容易引入估计偏差。具体操作是这样的，对于m个样本的数据集D，每次随机挑选D中的一个样本放到D’中，挑m次，经过计算D中有大约36.8%（≈1/e）的样本未出现在D’中，这样用D’作为训练集，D\D’（“\”表示集合减法）作为测试集。自助法又称为可重复采样，有放回采样。

关键词：训练集（train set）、验证集（valid set）、测试集（test set） 。一开始接触机器学习只知道训练集和测试集，后来听到了验证集这个词，发现验证集和之前所认识的测试集的用法是一样的，一直就把验证集和测试集给混淆了。多亏了西瓜书，终于讲清楚了什么验证集和测试集的区别！

首先需要知道的是，在工程应用中，最终提交给客户的模型是用尽数据集D中的m个样本训练的模型。也就是说，我们的测试集最终还是要用来训练模型的。之前有说到数据集D划分为训练集和测试集，训练集就是用来训练模型，测试集是用来估计模型在实际应用中的泛化能力，而验证集是用于模型选择和调参的。

因此，我个人的理解是在研究过程中，验证集和测试集作用都是一样的，只是对模型进行一个观测，观测训练好的模型的泛化能力。而当在工程应用中，验证集应该是从训练集里再划分出来的一部分作为验证集，用来选择模型和调参的。当调好之后，再用测试集对该模型进行泛化性能的评估，如果性能OK，再把测试集输入到模型中训练，最终得到的模型就是提交给用户的模型。

举例
举个高三学生高考的例子吧，
训练集 就是 平时的作业，习题册等
验证集 就是 一模、二模、三模的试题
测试集 就是 高考试题

训练集是给学生进行学习的，提高学生的能力；验证集是用来检验学生的学习方法，学习方向，学习方式，是否正确；测试集是最终考察学生的成绩如何。

不过幸运的是，我们有多次“高考”的机会，只不过，我们不能去分析高考的试题，因为测试集仅仅作为一个验证。
一般来说，当验证集和测试集具有同分布的时候（即模拟题和高考题几乎一样的时候），在模拟考能拿650分，那么在真实考高中也会在650分左右。