The VC Dimension
Definition of VC Dimension
VC dimension就是满足成长函数
的最大的N。也就是
=‘minimum k’-1.
VC Dimension of Perceptrons
已知在1D Perceptron, ,在2D Perceptrons, ,那么我们有如下假设: ,其中d为维数。如果我们要证明的话,需要分为两步:
首先证明 :
在d维里,我们只要找到某一类的d+1个inputs可以被shatter的话,那么必然得到
。所以,构造一个d维的矩阵X能够被shatter就行。X是d维的,有d+1个inputs,每个inputs加上第零个维度的常数项1(threshold),得到X的矩阵:
这是一个(d+1)*(d+1)的矩阵,且有d+1组线性无关向量,则该矩阵是非奇异的,也就是可逆的。shatter的本质是假设空间H对X的所有情况的判断都是对的,即总能找到权重W,满足
,
。因为可逆针对任意一个y都可以由X矩阵得到对应的权重w。那么说明
。
然后证明 :
那么需要证明对于任意d+2个inputs无法被shatter,那么就可以证明不等式成立。我们构造一个任意的矩阵X,其包含d+2个inputs,该矩阵有d+1列,d+2行。这d+2个向量的某一列一定可以被另外d+1个向量线性表示,例如对于向量Xd+2Xd+2,可表示为:
其中,假设a1>0,a2,⋯, <0
那么如果
是正类,
均为负类,则存在W,得到如下表达式:
因为其中
大于0,代表正类;
小于0,代表负类。所有对于这种情况,
一定是正类,无法得到负类的情况。也就是说,d+2个inputs无法被shatter。
因此可以证明
Physical Intuition of VC Dimension
w又可以叫做自由度,就像是上图中的旋钮一样可以自由的调节。
vc dimension又代表了可以产生dichotomy 的数量。
Interpreting VC Dimension
已知VC bound:
我们让
等于VC bound。那么我们想要得到好的情况,那么:
经过上述计算,我们推导出了
的值。ϵ表现了假设空间H的泛化能力,ϵ越小,泛化能力越大。
上图,红色部分代表了模型复杂度,其与样本数量N,
,
有关。根据上图的关系,我们可以绘出相关的趋势:
根据上述趋势,我们不能一味的减小
的值,因为随着
的变小,模型复杂度在变大,导致泛化能力变小,导致
先变大再变小。
根据以上图片可以看出,在
固定时,N理论上需要是
的10000倍。但是实际上只需要是
的10倍就好了,那么为什么呢?因为其实vc bound太松了,它其实比真正的上界大得多。
vc bound从以上一步步推导而来,导致上界不断变松。但是想要对其收紧确实比较困难,但是幸亏vc bound基本上对所有模型的宽松程度是相似的,那么我们可以通过比较不同的模型进行比较。
总结
本节课主要介绍了VC Dimension的概念就是最大的break point-1。然后,我证明了Perceptrons在d维度下的VC Dimension是d+1。接着,我们在物理意义上,将 与自由度联系起来。最终得出结论 不能过大也不能过小。选取合适的值,才能让Eout足够小,使假设空间H具有良好的泛化能力。模型复杂度是会随着 的变大不断变大的。vc bound其实是比较宽松的,我们不需要利用理论上的样本复杂度。