吃瓜教程 | 第一章 绪论& 第二章 模型评估与选择

第一章 绪论

1.1 引言

机器学习研究的主要内容：关于在计算机上从数据中产生“模型”的算法，即“学习算法”。

“模型”泛指从数据中学到的结果。

1.2 基本术语

• 数据集，作为数据记录的集合，其中每一条是关于一个事件或对象的描述（即示例）；
• 属性（特征），反映事件或对象在某方面的表现或性质的事项；
• 属性值，属性上的取值；
• 属性空间（样本空间、输入空间）：属性张成的空间；
• 特征向量，空间中的每一个实例。

表示含有个示例的数据集，每个示例由个属性描述，称为“维数”。

从数据中学得模型的过程称为"学习"或"训练", 这个过程通过执行某个学习算法来完成。训练过程中使用的数据称为"训练数据"，其中每个样本称为一个“训练样本", 训练样本组成的集合称为"训练集"。

• 当预测对象为离散值，称为“分类”任务；当预测对象为连续值，称为“回归”任务；
• 将数据集中的数据分成若干组，每组称为一个“簇”，即聚类任务。

• 监督学习 —— 分类与回归的代表
• 无监督学习 —— 聚类的代表

泛化能力 ：学得模型适用于新样本的能力，称为"泛化" (generalization) 能力。

1.3 假设空间

归纳
从特殊到一般的"泛化"过程，即从具体的事实归结出一般性规律，例如，从已有的样例中学习；

演绎
从一般到特殊的"特化"过程，即从基础原理推演出具体状况，例如，公理和推理规则的推导。

1.4 归纳偏好

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”或简称为“偏好”；
“奥卡姆剃刀”(Occam’s razor)是一种常用的、自然科学研究中最基本的原则，即"若有多个假设与观察一致，则选最简单的那个”。

第二章 模型评估与选择

2.1 经验误差与过拟合

• 错误率，分类错误的样本数占样本总数的比例；
• 误差，学习器的实际预测输出与样本的真实输出之间的差异称；
• “训练误差"或"经验误差”，学习器在训练集上的误差；
• 泛化误差，在新样本上的误差。

• 过拟合，由于学习能力过于强大，以至于把训练样本所包含的不太一般的特性都学到了；（机器学习面临的关键障碍，无法彻底避免，只能缓解）
• 欠拟合，由于学习能力低下而造成的。

2.2 评估方法

测试集应尽可能与训练集互斥，即测试样本尽量不在训练集中出现，为在训练过程中使用过。

2.2.1 留出法

留出法(hold-out)直接将数据集D划分为两个互斥的集合，其中一个集合作为训练集S,另一个作为测试集T,即D= SUT, S∩T= ∅ .在S上训练出模型后,用T来评估其测试误差，作为对泛化误差的估计。

常见做法：将大约2/3 ~ 4/5的样本用于训练，剩余样本用于测试

注意：

1. 训练/测试集的划分要尽可能保持数据分布的一致性，避免因数据划分过程引入额外的偏差而对最终结果产生影响；
2. 在给定训练/测试集的样本比例后，仍存在多种划分方式对初始数据集D进行分割.

2.2.2 交叉验证法

“交叉验证法”先将数据集D划分为k个大小相似的互斥子集。每个子集Di都尽可能保持数据分布的一致性，即从D中通过分层采样得到。然后，每次用k-1个子集的并集作为训练集，余下的那个子集作为测试集;这样就可获得k组训练/测试集，从而可进行k次训练和测试。

通常把交叉验证法称为“k折交叉验证”。k最常用的取值是10，此时称为10折交叉验证;其他常用的k值有5、20等。

 2.2.3 自助法

“自助法”以自助采样法为基础. 给定包含m个样本的数据集D,我们对它进行采样产生数据集D:每次随机从D中挑选一个样本，将其拷贝放入D’，然后再将该样本放回初始数据集D中，使得该样本下次采样时仍有可能被采到；这个过程重复执行m次后，我们就得到了包含m个样本的数据集D’，这就是自助采样的结果。

注意：

1. 自助法在数据集较小、难以有效划分训练/测试集时很有用；此外，自助法能从初始数据集中产生多个不同的训练集，这对集成学习等方法有很大的好处.
2. 自助法产生的数据集改变了初始数据集的分布，这会引入估计偏差.因此，在初始数据量足够时，留出法和交叉验证法更常用一些.

2.2.4 调参与最终模型

大多数学习算法都有些参数需要设定，参数配置不同，学得模型的性能往往有显著差别，因此，在进行模型评估与选择时，除了要对适用学习算法进行选择，还需对算法参数进行设定，这就是通常所说的“参数调节”或简称“调参”.

2.3 性能度量

2.3.1 错误率与精度

错误率是分类错误的样本数占样本总数的比例；
精度则是分类正确的样本数占样本总数的比例.

2.3.2 查准率、查全率与F1

对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例TP、 假正例FP、 真反例TN、假反例FN四种情形，则显然有TP+ FP+TN+ FN =1样例总数。分类结果的“混淆矩阵”(confusion matrix).

 注意：
查准率和查全率是一对矛盾的度量.一般来说，查准率高时，查全率往往偏低;而查全率高时，查准率往往偏低.

综合考虑查准率、查全率的性能度量

在下图中，A将C的P-R曲线完全“包住”，表示A比C性能好。对于A与B，比较合理的判据是比较P-R曲线面积大小。此外，人们设计了“平衡点”作为度量。
“平衡点”(Break-Event Point，简称BEP)，它是"查准率=查全率"时的取值.

但平衡点BEP还是过于简化了些，更常用的是F1度量:

 

F1度量的一般形式–Fß’能让我们表达出对查准率/查全率的不同偏好，它定义为

 

 其中 ß >O 度量了查全率对查准率的相对重要性. ß = 1 时退化为标准的F1; ß > 1时查全率有更大影响;ß < 1时查准率有更大影响.