knitr::opts_chunk$set(echo = TRUE)
1 前文回顾
Part2主要探讨 M M 的数值对learning的影响。并且得出如果有限,learning可能是可行的,因为此时满足 Ein≈Eout E i n ≈ E o u t 。接着试图用成长函数 mH(N) m H ( N ) (即dichotomy的个数)去替代 M M ,至于替代的合理性,存疑(因为同样dichotomy的不同hypothesis不一定完全重叠),Part4会有说明。然后提出break point概念,猜测2D perceptrons的成长函数是多项式 O(N4−1) O ( N 4 − 1 ) 。本文主要内容就是探讨这一猜测的正确性。
2 Restriction of Break Point
有些
H
H
的成长函数很容易找到,例如Part2中的Positive Rays、Positive Intervals等。有些则很难,如2D perceptrons。此时我们不考虑具体的,只考虑能生成的dichotomy。比如,对于2D perceptrons,如果三点共线,且呈
o、x、o
o
、
x
、
o
,则不认为这是一个dichotomy。而如果我们不考虑2D perceptrons这一限制,那么认为这是一种dichotomy。这样的话,如果知道break point时,我们可以
H
H
作用于
时,最多最多能产生多少dichotomy吗?相当于我们在寻找
mH(N)
m
H
(
N
)
的一个上界。
举例说明,假设不知道某个
H
H
的成长函数,但是知道最小的break point
k=2
k
=
2
,那么
H
H
作用与时,最多最多产生多少种dichotomy?
成长函数为4,最多有4种dichotomy。 N=4 N = 4 时,最多有5种hypothesis。用R写了个函数,放在最后。有兴趣可以瞅瞅~这时,我们发现当 N>k N > k 时,break point k k 限制了的大小,即成长函数与 N N 和有关。如果给定 N N ,, mH(N) m H ( N ) 有上界,且上界不呈指数增长,最好是多项式,那么我们可以说learning是可行的。
2.1 Bounding Function
定义函数 B(N,K) B ( N , K ) ,表示当break point 为k时,成长函数 mH(N) m H ( N ) 的最大值。即 mH(N) m H ( N ) 最多最多有多少种dichotomy。并且此时我们不考虑 H H ,只关心成长函数的上界。那么从上一小节知道
2.2 Part1 Of Bound Function
关于
B(N,K)
B
(
N
,
K
)
函数的求解分成两部分。首先考虑下面情况:
1. 当
k=1
k
=
1
时,break point为1,说明任意一个点不可能出现两种类型,因此
allB(N,1)=1
a
l
l
B
(
N
,
1
)
=
1
。
2. 当
N<k
N
<
k
时,由break point的定义知,所有的
N
N
个点都被shatter,即最多有个dichotomy。所以
B(N,k)=2N
B
(
N
,
k
)
=
2
N
。
3. 当
N=k
N
=
k
时,说明此时被shatter,即不可能有
2N
2
N
个dichotomy。所以
B(N,k)=2N−1
B
(
N
,
k
)
=
2
N
−
1
。
4. 上一节中我们还求得
B(3,2)=4
B
(
3
,
2
)
=
4
那么可以得到下面的图:
那么剩下的空应该怎么填呢?
2.3 Part2 Of Bound Function
N>k
N
>
k
时,
B(N,k)
B
(
N
,
k
)
的情况较为复杂。推导过程先从
B(4,3)
B
(
4
,
3
)
讲起,探索
B(4,3)
B
(
4
,
3
)
能不能和前面这些已知的数据存在某种练习。
首先把
B(4,3)
B
(
4
,
3
)
的所有情况写出来(Ps:我的程序也可以求),共有11个dichotomy,记为
all
a
l
l
。如果增加再一个dichotomy,会出现三个点被shatter的情况。
对上图中11个dichotomy分组,分组依据为x1-x3是否是完全相同的。把相同标记为orange,不同的标记为purple。得到下图:
把11个dichotomy的x4去掉,orange部分去重得到4个不同dichotomy组合,命名为
α
α
,purple部分命名为
β
β
。那么
B(4,3)=2α+β
B
(
4
,
3
)
=
2
α
+
β
。
接着我们再关注
α
α
和
β
β
部分,因为他们是从
all
a
l
l
中取出来的,所以
all
a
l
l
满足的性质,
α
α
也满足。也就是说
α
α
和
β
β
这个整体中任意3个点不能够被shatter。那么
α+β<B(3,3)
α
+
β
<
B
(
3
,
3
)
,具体见下图
另外,如果只看 α α 这部分,由于break point是3,所以 α α double之后,添加 x4 x 4 时,仍满满足break point=3。那么如果 α α 这部分存在两个点被shatter,这时double之后添加成对 x4 x 4 一列,会出现3个点被shatter。显然不满足break point为3的前提。所以 α α 中任意两点不能shatter,即 α<B(3,2) α < B ( 3 , 2 ) 。所以有:
-a.png)
综合以上两点:
根据公式,可以填满表格:
进一步推导出
B(N,k)
B
(
N
,
k
)
满足下列不等式:
下面用数学归纳法证明(摘自《learning from data》):
1. k=1 k = 1 时, B(N,k)=1≤(1+N) B ( N , k ) = 1 ≤ ( 1 + N ) ,对所有的 N N 不等式成立。只需考虑的情形。 N=1 N = 1 时,不等式也成立。
2. 假设 N≤No N ≤ N o 时,对于所有 k k 不等式都成立。那么只需证明时,不等式也成立即可:
中间合并组合项和公式是用组合数公式的递推公式:
此时不等式成立,至于归纳法,就学过一个变量的证明,凑活看吧。
我们本来是想用成长函数代替 M M ,后来发现有的成长函数很难寻找,于是用作为成长函数的上界。最终通过上两个小节,我们找到了 B(N,k) B ( N , k ) 的上界。也就是找到了 mH(N) m H ( N ) 的上界。但是为什么 mH(N) m H ( N ) 可以代替 M M 呢,如果同一个dichotomy的不同hypothesis,不是完全重叠怎么办?
3 VC Bound
我们假设可以代替
M
M
,得到遇到hypothesis的概率的上界为:
PD[BADD] P D [ B A D D ] 表示整个hypothesis set H H 遇到bad data的概率,也就是存在hypothesis遇到bad data的概率。上面的公式可以改写为:
上一小节末提到用
mH(N)
m
H
(
N
)
直接代替
M
M
不合理,因为同一个dichotomy可能对应不同的hypothesis,而这些hypothesis的bad data不一定会完全重叠,所以直接代替不合理。那么从公式本身出发,同一个的dichotomy只能保证相同,并不能保证
Eout
E
o
u
t
相同。所以我们可以替换掉
Eout
E
o
u
t
吗?
推导我是看不懂了,当做定理记住咯!
4 Summary
前文我们试图用 mH(N) m H ( N ) 替换 M M ,本文先得到了的上界,即Bound函数,继而找到了这Bound函数的上界。完了,又对不等式右端做了些变化使其可以完全替换掉 M M <script type="math/tex" id="MathJax-Element-104">M</script>,继而说明了可泛化。
5 Ref
[1] http://beader.me/mlnotebook/section2/vc-dimension-two.html
[2] http://blog.csdn.net/red_stone1/article/details/71122928
6 Code
# 生成点的全排列 -----------------------------------------------------------------
# 生成point_num个点的全排列
## 参数说明:point_num点的个数,整数,point_type每个点的选择,字符串组成的向量
combination_f <- function(point_num, point_type) {
if (point_num == 1) {
comb_data <- data.frame(point_type,stringsAsFactors = FALSE)
colnames(comb_data) <- paste0("x",1:ncol(comb_data))
return(comb_data)
}else{
comb_data <- combination_f(point_num-1,point_type)
## 生成列表长度为point_type个数的列表,其中每个列表都是上一步返回的数据框
## 用do.call合并这些数据框
comb_data_new <- do.call("rbind",rep(list(comb_data),length(point_type)))
## comb_data_new 相当于复制 comb_data 这个数据框length(point_type)次
## 只需新增一列,对comb_data_new中的每一个comb_data增加一种point_type即可
comb_data_new$newcol <- rep(point_type,each=nrow(comb_data_new)/length(point_type))
colnames(comb_data_new) <- paste0("x",1:ncol(comb_data_new))
return(comb_data_new)
}
}
# 判断有没有被shatter -----------------------------------------------------------
## 判断大小为dichotomy_num的dichotomy组合,在任意break_point个点时会不会被shatter
## 参数:最小的break point---break_point;点的个数---point_num;
## point_type---每个点的选择,字符串组成的向量;dichotomy_num---dichotomy组合的数量
## all_comb_data---所有point_num^length(point_type)种组合
is_shatter_f <- function(break_point,point_num, point_type,dichotomy_num,all_comb_data){
## 第一步生成dichotomy_num个dichotomy的所有组合
#### 首先point_num个点,总计能生成point_num^length(point_type)中情况,即dichotomy的所有组合。
#### 那么dichotomy_num个dichotomy的所有组合,就是求1:中不重复的选择dichotomy_num个dichotomy
## dichotomy_candidate的每一列数字,对应all_comb_data相应的行,
dichotomy_candidate <- data.frame(combn(1:length(point_type)^point_num,dichotomy_num))
## 下面生成所有break_point的全排列
#### 方便后面检查是不是被shatter
shatter_comb_data <- combination_f(break_point, point_type)
shatter_point_all_dichotomy_vector <- do.call('paste0',shatter_comb_data)
## 如果最小的break point为k,计算在point_num中所有k个点的组合情况
shatter_point_candidate <- data.frame(combn(1:point_num,break_point))
## 下面遍历所有的情况,如果有一种情况没有被shatter,则返回True和对应的dichotomy组合
## 最终返回所有的dichotomy组合
dichotomy_list <- list(result = FALSE)
for(i in 1:ncol(dichotomy_candidate)){
## 取出第i种情况下的dichotomy组合
subset_dichotomy <- all_comb_data[dichotomy_candidate[,i],]
for(j in 1:ncol(shatter_point_candidate)){
index <- 1
## break_point个点组合的第j种情况,拼接成向量
## 这里有点问题,如果break point是1,do.call里面的就不是数据框了
if (break_point == 1) {
break_point_dichotomy_vector <- subset_dichotomy[, shatter_point_candidate[, j]]
} else{
break_point_dichotomy_vector <-
do.call('paste0', subset_dichotomy[, shatter_point_candidate[, j]])
}
## 判断有没有被shatter
if(all(shatter_point_all_dichotomy_vector %in% break_point_dichotomy_vector)){
## 如果TRUE,说明第i种情况下的dichotomy组合在第j种点的组合下被sahtter
## 跳出这次循环,说明这种dichotomy组合被kill了
index <- 0
break
}
}
## 检查j和index的值
#### 如果j=ncol(dichotomy_candidate)且index=1
#### 说明所有点的组合都遍历了,且最后一个点的组合没有被shatter
if(j==ncol(shatter_point_candidate)&index==1){
## 只要有一个dichotomy组合成功没有被shatter,result就被标记为TRUE
dichotomy_list$result <- TRUE
dichotomy_list <- c(dichotomy_list,list(subset_dichotomy))
}
}
return(dichotomy_list)
}
# 生成满足break point的dichotomy
## 参数break_point,点的个数point_num,点的种类point_type
## break point含义对于任意的dichotomy组合,任意两列不能shatter
## 即任意两列不能出现point_num=break_point的全排列
dichotomy_by_breakpoint_f(break_point = 2,point_num = 4,point_type = c('o','x'))
dichotomy_by_breakpoint_f <-
function(break_point, point_num, point_type) {
## 第一步生成全排列
all_comb_data <- combination_f(point_num, point_type)
## 查看是否满足break point
## 有两种逻辑:
## 1、先从小到大,取到point_num=break_point时满足条件的dichotomy组合,完了增加一个点就复制length(point_type)份,填上一列,检查即可~
## 2、先生成全排列,一次检查所有可能排列组合是否满足break point。这样暴力,代码好写,但是效率不高。
## 先用2试一下
for (i in 1:nrow(all_comb_data)) {
## 检查当dichotomy数为i时,会不会被shatter
temp_list <-
is_shatter_f(
break_point = break_point,
point_num = point_num,
point_type = point_type,
dichotomy_num = i,
all_comb_data = all_comb_data
)
if (temp_list$result) {
## 没有被shatter,复制temp_list,用于返回结果
temp_list1 <- temp_list
} else{
## 如果出现被shatter的情况,说明第i个dichotomy及大于i个dichotomy都会被shatter
break
}
}
return(temp_list1)
}
2018-01-24 于杭州