台大机器学习——可行性证明2
来源:互联网 发布:高级计量经济学 知乎 编辑:程序博客网 时间:2024/05/21 08:05
回顾与预览
基于统计的学习流程:
--- 如果备选函数集的大小|H|=M,M有限,训练数据量N足够大,则对于学习算法A选择的任意备选函数h,都有
E-out(h)≈E-in(h)
--- 如果A找到了一个备选函数,使得E-in(h)≈0,则有很大概率E-out(h)≈0 ---》学习是可能的
可以讲,机器学习有两个核心问题:
1. 我们能否保证E-out(h)与E-in(h)足够接近?
2. 我们能否使E-in(h)足够小?
对于M→∞的情况,能否把它reduce到有限,是这一讲将要讨论的问题。
二元分类的 Effective Number
回顾一下霍夫丁不等式的推导:
在训练数据集D上,有一个不好的备选函数h使得
只要有一个h不好,就可以认为这个H与D的搭配是不好的
为了让A能够自由选择,我们要求这个坏事件的发生概率必须小于某一个可以接受的值,考虑最坏的情况,利用Union Bound 获得上述概率的上限
从而得到第4讲中的霍夫丁不等式。
这里Union Bound所代表的情况只有在M个事件没有交集的时候才发生。
因此Union Bound过于高估了坏事件发生概率的上限。
具体来说,假如有两个相似的备选函数h1≈h2,则有
即h1与h2在D上几乎是同好或同坏的,或曰B1与B2高度相关,P[B1]与P[B2]可以合并,但Union Bound却将他们相加了。
解决过分估计的问题,可以将备选函数集分类,相似的函数分在一起。
以二元分类问题为例,备选函数集为
其中有无数条线。
当只有一个输入时,这些线可以被分成两类。
第一类,输出为○;第二类,输出为×。
输入变成2个:
显然有4种划分。
输入变成3个:
可以有8种划分;
也可能只有6种。
此时3个输入共线。
所以3个输入情况下最多8种划分;
输入变成4个:
最多14种划分。
综上,N个输入下线性划分的最大个数即线性划分有效数(Effective Number of Lines),这里可以理解成有效划分。
由于是二分类问题,线性划分有效数一定 ≤ 2^N,我们希望:
1. 用线性划分有效数代替M,从而将无限reduce到有限;
2. 线性划分有效数 << 2^N,从而坏事件的发生概率上限不至于随着N的增大而指数增长。
一般备选函数的 EffectiveNumber
备选函数集中的每一个函数h都是输入X到输出Y的一个映射:
将
定义为h对D的一个Dichotomy(二分)。
所以
就包括了所有对D的dichotomies。
定义成长函数(Growth Function)为:
即成长函数是在N个输入上dichotomies的最大数量。
举个例子,平面二元分类,输入为3时,如果3个点共线,有6个划分,如果3个点不共线也不重合,有8个划分,所以此时成长函数值为8。
----------------------------------------------------------------------------------------------
Positive Ray
输入(x1,x2,...,xN)分布在实数轴上,确定一个分割点a,大于a的输出+1,小于a的输出-1。
显然,有N个输入,实数轴被分成N+1段,Positive Ray的成长函数为
此时N+1 << 2^N (N is large)。
----------------------------------------------------------------------------------------------
Positive Interval
输入(x1,x2,...,xN)分布在实数轴上,确定一个范围[ l, r ),在范围内的输出+1,其他输出-1。
N个输入,实数轴被分成N+1段,从其中任选两段构成一个interval,或两端落在同一段中,Positive Interval的成长函数为
且
----------------------------------------------------------------------------------------------
Convex Set - 凸集
顾名思义,划分区域必须是凸的。左图蓝色区域是凸集,右图则不是。
凸集的成长函数长什么样?
假设N个输入(x1, x2, ..., xN)在2维空间中刚好位于一个圆上,给定任意一种dichotomy,总能找出一个凸集刚好包含了所有+1的点,并将-1的点排斥在外。
即
此时我们已经找到了 的上限,从而不必关心N个输入不在一个圆上的情况。我们可以说:(这个概念很绕但是很重要!)
break point
在霍夫丁不等式中,用成长函数代替M:
如果成长函数是指数函数,则随着N的增大,概率上限也急剧增加,所以我们希望成长函数是多项式。
回顾下上一小节的4个成长函数:
Positive Ray和Positive Interval的成长函数是多项式,而Convex Set的成长函数是指数函数。那2D-PLA的成长函数是多项式吗?
为了回答这个问题,引入一个新概念 - Break Point。
有k个输入,如果它不能被当前的备选函数集H shatter,那么k就是H的一个Break Point。
或者说对于任意k个输入,H都无法穷尽所有可能的划分。
这里讨论的Break Point指的是minimum break point k,也就是第一个被shatter的N。
对于2D-PLA,break point k = 4。
说了半天,Break Point 与成长函数的成长性到底有什么关系?
首先我们能确定,对于二元分类问题,如果一个H没有break point,给定任意N,一定能找到N个输入,H能穷尽它的所有划分,此时:
如果 break point = k 从上图可以猜测:
如果猜测成立,那么只要N足够大,训练结果的正确性就有保障了!让我们下一讲讨论。
补充:关于 “shatter”与 “break point”这两个有点晦涩的概念,我在课程论坛里看到一个精彩的诠释,分享给大家。
这位仁兄的ID叫 -- beader。
- 台大机器学习——可行性证明2
- 台大机器学习——可行性证明1
- 台大机器学习——可行性证明3(Break Point出现时成长函数的边界)
- 台大机器学习基石笔记(一)——机器学习可行性
- 【01】台大机器学习L4 机器学习可行性
- 台大机器学习笔记(3-6)——机器学习的类型及机器学习有效性证明
- 台大机器学习课程——PLA演算法介绍、证明
- 台大机器学习笔记(8)——Error Measure
- 台大机器学习笔记——Adaboost
- [台大机器学习笔记整理]机器学习问题与算法的基本分类&由霍夫丁不等式论证机器学习的可行性
- 台大机器学习基石笔记(三)——VC 维2
- 台大机器学习笔记(2)——Learning to Answer Yes/No
- 机器学习的可行性
- 机器学习的可行性
- 台大-林轩田老师-机器学习基石学习笔记2
- 台大机器学习基石学习笔记
- 台大机器学习技法学习笔记
- 台大机器学习基石笔记(二)——VC 维1
- Caffe学习系列(10):命令行解析
- BRISK特征提取算法 .
- 【学习笔记】Get Started with MATLAB-Chapter05
- idea 15 tomcat single-instance run configuration
- kubernets 的监控
- 台大机器学习——可行性证明2
- he specified child already has a parent. You must call removeView() on the child's parent firs (201
- QT信号和槽以结构体为参数传递复杂数据
- CentOS7安装mysql
- Win10/Win7 U盘安装Ubuntu16.04/Ubuntu 14.04 双系统详细教程[亲测]
- ubuntu下设置外网访问apache服务器
- R 中数据的写入与导出
- elf格式文件分析
- 微信小程序常见错误及基本排除方法