有监督学习提供数据并提供数据对应结果的机器学习过程。
监督学习的过程:
一、监督学习三要素
模型(model):总结数据的内在规律,用数学函数描述的系统
策略(strategy):选取最优模型的评价准则
算法(algorithm):选取最优模型的具体方法
二、监督学习实现步骤
-
得到一个有限的训练数据集
-
确定包含所有学习模型的集合
- 确定模型选择的准则,也就是学习策略
- 实现求解最优模型的算法,也就是学习算法
- 通过学习算法选择最优模型
- 利用得到的最优模型,对新数据进行预测或分析
三、监督学习模型评估策略
1.模型评估
我们将数据输入到模型中训练出了对应模型,但是模型的效果好不好呢?我们需要对模型的好坏进行评估。首先说一下什么是训练集和测试集。
训练集:输入到模型中对模型进行训练的数据集合
测试集:模型训练完成后测试训练效果的数据集合
(1)损失函数
- 损失函数用来衡量模型预测误差的大小。
- 定义:选取模型f为决策函数,对于给定的输入参数X,f(X)为预测结果,Y为真实结果;f(X)和Y之间可能会有偏差,我们就用一个损失函数(loss function)来度量预测偏差的程度,记作L(Y,f(x))
- 损失函数是系数的函数
- 损失函数值越小,模型就越好
(2) 损失函数的分类
- 0-1损失函数
- 平方损失函数
- 绝对损失函数
- 对数损失函数
(3)训练误差和测试误差
- 训练误差
——训练误差(training error)是关于训练集的平均损失
——训练误差的大小,可以用来判断给定问题是否容易学习,但本质上并不重要。
- 测试误差
——测试误差(testing error)是关于测试集的平均损失。
——测试误差真正反映了模型对未知数据的预测能力,这种能力一般被称为 泛化能力
2.模型选择
(1)欠拟合和过拟合
-
欠拟合
模型没有很好的捕捉到数据特征,特征集过小,导致模型不能很好地拟合数据,称之为欠拟合(under-fitting)
欠拟合的本质是对数据的特征“学习”得不够
例如,想分辨一只猫,只给出了四条腿、两只眼、有尾巴这三个特征,那么由此训练出来的模型根本无法分辨猫。
- 过拟合
把训练数据学习的太彻底,以至于把噪声数据的特征也学习到了,特征集过大,这样就会导致在后期测试的时候不能够很好地识别数据,即不能正确的分类,模型泛化能力太差,称之为过拟合(over-fitting)
例如,想分辨一只猫,给出了四条腿、两只眼、一条尾巴、叫声、颜色,能够捕捉老鼠、喜欢吃鱼、.....,然后恰好所有的训练数据的猫都是白色,那么这个白色就是一个噪声数据,会干扰判断,结果模型把白色也学习到了,而白色是局部样本的特征,不是全局特征,就造成了输入一个黑猫的数据,判断出不是猫。
注意:
当模型复杂度增大时,训练误差会逐渐减小并趋向于0;而测试误差会先减小,达到最小值之后再增大
当模型复杂都过大时,就会发生过拟合;所以模型复杂度应适当
(2)正则化和交叉验证
正则化
- 结构风险最小化(Structural Risk Minimization,SRM)
--在经验风险上加上表示模型复杂度的正则化项(regularizer),或者叫惩罚项
--正则化项一般是模型复杂度的单调递增函数,即模型越复杂,正则化值越大
- 结构风险最小化的典型实现是正则化
--形式:
--第一项是经验风险,第二项J(f)是正则化项,是调整两者关系的系数
--正则化项可以取不同达到形式,比如,特征向量的L1范数或L2范数
交叉验证
数据集划分
--如果样本数据充足,一种简单方法是随机将数据集切成三部分:训练集、验证集和测试集
--训练集用于训练模型,验证集用于模型选择,测试集用于学习方法评估
数据不充足时,可以重复地利用数据--交叉验证(cross validation)
- 简单交叉验证
— 数据随机分为两部分,如70%作为训练集,剩下30%作为测试集
— 训练集在不同的条件下(比如参数个数)训练模型,得到不同的模型
— 在测试集上评价各个模型的测试误差,选出最优模型
- S折交叉验证
— 将数据随机切分成S个互不相交、相同大小的子集;S-1个做训练集,剩下一个 做测试集
— 重复进行训练集、测试集的选取,有S种可能的选择
- 留一交叉验证
四、分类和回归
监督学习问题主要可以划分为两类,即分类问题和回归问题。
—— 分类问题预测数据属于哪一类别。 -- 离散
——回归问题根据数据预测一个数值。 --连续
通俗地讲,分类问题就是预测数据属于哪一种类型,就像房屋出售预测,通过大量数据训练模型,然后去预测某个给房屋能不能出售出去,属于能够出售类型还是不能出售类型。
回归问题就是预测一个数值,比如给出房屋一些特征,预测房价
1.分类问题
- 在监督学习种,当输入变量Y去有限个离散值时,预测问题就成立分类(classification)问题
- 监督学习从数据中学习一个分类模型或分类决策函数,称为分类器(classifier)分类器对新的输入进行预测,称为分类
- 分类问题包括学习和分类两个过程。学习过程中,根据已知的训练数据集来利用学习方法学习一个分类器;分类过程中,利用已习得的分类器对新的输入实力进行分类。
- 分类问题可以用很多学习方法来解决,比如K近邻、决策树、感知机、逻辑斯蒂回归、支撑向量机、朴素贝叶斯法、神经网络等
2.回归问题
- 回归问题用于预测输入变量和输出变量之间的关系
- 回归模型就是表示从输入变量到输出变量之间映射的函数
- 回归问题的学习等价于函数拟合:选择一条函数曲线,使其很好地拟合已知数据,并且能够很好地预测未知数据
- 回归问题的分类
--按照输入变量的个数:一元回归和多元回归
--按照模型类型:线性回归和非线性回归
回归学习的损失函数——平方损失函数
- 如果选择平方损失函数作为损失函数,回归问题可以用著名的最小二乘法(least squares)来求解