偏差方差分解是在机器学习中众所周知的归因损失的工具。通常,针对特定问题的模型误差与该模型的稳定性和该模型的拟合能力有关。我们称该模型的拟合能力为偏差,并称该模型的稳定性为方差。
偏差方差分解为确定模型性能不佳的根源提供了一种有效的方法,可以进一步有效地指导我们设计高质量的机器学习模型。
首先,我们应该认识到,偏差方差分解不是分解特定模型的单个误差值,而是着重于根据不同的训练数据分解一组机器学习模型的预期误差。例如,我们可以使用不同的训练数据子集构建十个不同的决策树。然后我们可以计算该算法的预期误差。然而,一个单一的值不能表明我们的方法是由于较差的拟合能力还是不稳定而导致性能不佳。此时,偏差方差分解提供了确定性能不佳根源的强大工具。
介绍了偏差方差分解的基本思想。接下来,我们用一份代码片段说明此方法。首先,我们使用波士顿房价预测数据集作为示例数据,然后将原始数据按1:1的比例分为训练集和测试集。
import numpy as np
from sklearn.datasets import load_boston
from sklearn.ensemble import BaggingRegressor, AdaBoostRegressor, GradientBoostingRegressor
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.svm import SVR
from sklearn.tree import DecisionTreeRegressor
X, y = load_boston(return_X_y=True)
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)
之后,我们需要定义分解函数。如下式所示,误差被分解为两个项,即偏差和方差。关于偏差,我们将其定义为预期预测值与实际值之差。至于方差,我们将其定义为期望的预测值与每个预测值之间的差异的期望。从直觉上讲,对于给定的误差项,我们可以将其归结为以下根源:模型无法准确描述潜在的生成过程(高偏差)或模型高度不稳定(高方差)。不言而喻的是,如果我们的模型具有很高的偏差,那么我们将有很高的误差。而就高方差而言,这种情况对应于模型对训练数据高度敏感的情况。
E D [ { y ( x ; D ) − h ( x ) } 2 ] = { E D [ y ( x ; D ) ] − h ( x ) } 2 ⏟ (bias) 2 + E D [ {