【机器学习基础】验证

时间：2015-03-04 22:48:21 阅读：184 评论：0 收藏：0 [点我收藏+]

模型选择问题(Model Selection Problem)

我们在之前得知，通过最小化Ein来选择最好的模型不是一个正确的办法，因为这样可能会付出模型复杂度的代价、造成泛化效果差、造成过拟合的发生。
为了解决这个问题，我们的想法是找一些测试数据来看看哪种模型对应测试数据的效果更好，但是用新的测试数据来作这个事情，实际上是做不到的自欺欺人的办法。
我们对比这两种方式，用训练数据来作选择的话，由于这些数据决定了最终的假设，所以再用这些训练数据来作验证的时候已经被“污染”了；而如果用新的数据对于测试验证的来说，是“清洁”的。
折中的办法是，将可用的数据留一小部分作为验证数据，当做模型选择的时候，再拿来用于验证。

验证

现在，我们从手中的数据拿出一小部分出来作验证数据，我们拿它来模拟测试数据。为了将针对验证数据的错误Eval和Eout联系起来，我们希望数据独立同分布于原始数据的分布；剩下的数据用作训练数据，可以用来做模型选择。

使用最佳的Eval做模型选择

在做模型选择时，我们遵循以下流程，首先将数据集D分成两部分Dtrain和Dval，用Dtrain算出不同假设Hi的g-，再用Dval算出Ei，我们得到最小的Ei（记为Em）和其对应的假设Hm，再将所有的数据放在一起用Hm这个模型算出最终的模型参数gm（这个gm是用了最好的模型和最多的数据算出的结果，这会使得Eout最小）。

关系图形

我们用一个图形关系来表示不同的验证数据对真实误差Eout的影响。

上面这个图的横轴是验证数据的大小是多少，纵轴表示Eout的大小。
其中红色的线代表用验证数据得到的最终假设g-，该假设不再用所有的数据重新做一次训练。
蓝色的线代表用验证数据得到了g-之后，在拿训练数据和验证数据放在一起做一次训练，得到的g。
显而易见的是，蓝色的线总是比红色的线要低，并且蓝色的线比黑色的横线（表示直接用所有数据做训练得到的Ein）要低（这表示用验证数据得到的假设真的比不用验证数据得到的假设的误差要低）。
这说明，验证这个步骤确实是一个有用的方法。

那么为什么红色的线有时候比Ein得到的g的错误要大呢？
其解释是，如果验证数据变大，训练数据变小时，g-是用比较少的数据求出来的，所以g-的表现是不好的。用很少的数据选取的最好的g-有可能比起用全部数据训练得到的g还要差。

验证数据的大小

我们的决策根植于一个假设，我们要得到最后的假设g，所以希望Eout(g)和用验证数据得到Eout(g-)接近，另外还希望Eout(g-)和Eval(g-)接近。我们用Eval(g-)做选择，最后希望得到Eout(g)最好的那个假设。

这两个近似等式需要的验证数据的数量是不同的，Eout(g-)≈Eval(g-)需要更多的验证数据，但这样会造成g-和g差很多（即上面的关系图形中，红色和蓝色的线在验证数据多的时候会差别很大）；Eout(g)≈Eout(g-)需要数量少的验证数据，但这是不太能确定Eval和Eout是不是接近的。
实际上，验证数据量K=N/5，其中N是训练数据。

留一交叉验证

如果只有一个数据来作验证的话，那么其错误Eval是：

如果将所有的数据都拿来作验证的话，将其得到的结果平均起来，大概就能告诉我们Eout的情况：

理论保证

我们现在从偏理论的角度解释留一交叉检验的误差期望值和Eout(g-)的近似关系。
首先，我们假设对各式各样不同的数据集来作交叉检验并取一个平均。这里表示的都是leave-one-out交叉检验误差的期望值和Eout(g-)的期望值是差不多的。

实际应用

下图的横轴是特征转换的维度，从图中可以看出来，如果拿Ein来作选择，用尽量多的特征可以做到尽可能小的Ein，但是造成的结果是过拟合，所以如果用较少的特征，Eout可能还小一点；如果用交叉检验的Ecv来作选择，其曲线和Eout的曲线很接近，所以就想下面第二个图中最右侧的图像表示的，虽然会有一些错分类的情形，但是分类的曲线平滑很多，其在实际的表现就会更好。
这说明使用交叉验证的方法求得的假设可以比Ein得到的效果更好。