吴恩达机器学习（六）模型选择与评估，误差分析与优化_机器学习模型外推误差变化

$$\ast \ast \ast 点击查看:吴恩达机器学习——整套笔记+编程作业详解\ast \ast \ast$$
注：本章没有枯燥的算法讲解，主要讲的是在机器学习实践过程中的一些应用建议。

概述

前5周我们学习了线性回归，逻辑回归，神经网络来训练数据得到预测模型。但是如何评价预测模型的优劣，如何对预测模型进行误差分析以及如何改进，这是实际应用中所关注的。

本周，将要针对模型的评估，优化改进进行学习，旨在对模型进行进一步完善做出明确的指导。

1. 模型选择与评估——训练集，验证集，测试集

以往的做法是：用训练集进行训练得到最终参数，并还是用训练集计算模型的准确率。
该做法的问题：易产生过拟合，将模型推广到新的数据集上效果并不好。

改进的做法：将数据集分为训练集和测试集，训练集用于训练得到最优参数，测试集用于评估模型准确率。
提出新问题：假如我们还未确定训练模型，需要在以下多项式模型中选择最优的模型进行训练，用哪部分数据进行训练得到最优模型呢？

进一步改进为：在数据集中再抽出一部分来作为交叉验证集用于上述模型选择。

我们可以把数据集分为三个部分：训练集（Training Set）、交叉验证集（Cross Validation Set）、测试集（Test Set）。这三者的分配比例可以是：60%,20%,20%。（注意：分配数据前需要将数据打乱）

这三部分的误差计算公式如下：

需要注意的是，当计算训练集、交叉验证集和测试集误差时，不计算正则项。

可以大致理解训练模型的步骤：

• Step 1：用训练集训练各种模型，线性的，多项式的，有正则化的，无正则化的，追求训练误差的最小化。
• Step 2：用验证集去计算训练出来的模型的验证误差，并选出表现最好的一个作为最终模型。
• Step 3：用测试集，评估最终模型的表现优劣。

2. 误差分析

2.1 偏差与方差

评价模型，一般评价其偏差和方差：

• 偏差（Bias） 反映了模型无法正确的描述数据规律，导致预测误差很大（欠拟合 Underfitting）
• 方差（Variance ）反映了模型对训练数据过度敏感，导致了其泛化能力很差（过拟合 Overfitting）

• 以多项式回归为例，训练集的误差 $J_{train}(\theta )$ 以及交叉验证集的误差 $J_{cv}(\theta )$ 随多项式次数 $d$ 的变化曲线如下图：
  曲线左边 多项式的次数过小，欠拟合，导致无论在训练集还是交叉验证集上拟合效果都不好，即 高偏差。
  曲线右边 多项式的次数太大，过拟合，虽然在训练集上拟合得很好，但在交叉验证集上的误差则很大，即 高方差。

• 同理，我们也可以得到正则化系数 $\lambda$ 的大小与 $J_{train}(\theta )$、$J_{cv}(\theta )$的关系：

2.3 学习曲线

学习曲线是训练集的误差 $J_{train}(\theta )$ 与交叉验证集的误差 $J_{cv}(\theta )$关于训练集样本数量$m$的函数图像。

• 低偏差、低方差下的学习曲线：
  

• 对于训练误差 $J_{train}(\theta )$ ：当只有几个数据训练算法时（例如1、2、3），很容易就可以得到零误差，因为我们总能找到一条二次曲线与它们完美拟合。但是随着数据的增加，二次曲线的误差就会越大，经过一定的 $m$值以后，误差就会趋于稳定。
• 对于交叉验证误差 $J_{cv}(\theta )$：当训练集大小 $m$ 很小时，拟合出的假设函数泛化到新样本的能力很差，交叉验证误差就很大，随着训练集不断增大，可能会拟合出更好的假设函数，泛化到新样本的能力增强，交叉验证误差会逐渐减小。

• 高偏差：
  
  结论：当 $J_{train}(\theta )$ 和 $J_{cv}(\theta )$ 都很大时，属于高偏差（欠拟合）问题，此iu时 增加训练数据是没有用的。

• 对于训练误差 $J_{train}(\theta )$ ：
  • 当训练集 $m$ 很小时，拟合出的直线对于每个样本的拟合效果不算差，因此训练误差 $J_{train}(\theta )$ 也较小；
  • 随着训练集不断增大，直线对训练样本的拟合能力就差了很多，因此训练误差 $J_{train}(\theta )$ 续增大直到接近交叉验证误差；
  • $m$ 大到一定值之后，对于训练样本的拟合就没那么准确了，故训练误差 $J_{train}(\theta )$ 会持续增大直到接近交叉验证误差 $J_{cv}(\theta )$。
• 对于交叉验证误差 $J_{cv}(\theta )$：
  • 当训练集集 $m$ 很小时，拟合出的直线泛化到新样本的能力很差，交叉验证误差 $J_{cv}(\theta )$ 很大；
  • 随着训练集不断增大，训练出的直线更好的适应训练集，泛化到新样本的能力略有增强，交叉验证误差 $J_{cv}(\theta )$ 稍有减小
  • $m$ 大到一定值之后，训练出的还是一条差不多的直线，交叉验证误差 $J_{cv}(\theta )$ 将不再变化并接近水平。

• 高方差：
  
  结论：高方差（过拟合）时，增加训练数据可能会有用，因为随着训练数据增多 $J_{cv}(\theta )$ 与 $J_{train}(\theta )$ 越来越接近。

• 当训练集大小 $m$很小时，因为存在过拟合，训练误差 $J_{train}(\theta )$ 会非常小，同时过拟合的存在使假设函数泛化到新样本的能力不足，交叉验证误差 $J_{cv}(\theta )$ 很大 ；
• 随着训练集不断增大，想要完美拟合所有训练数据变得没那么容易，训练误差 $J_{train}(\theta )$ 会稍微增大，但因为 hθ(x)hθ(x) 的阶次很高，仍然存在过拟合，总体来说 $J_{train}(\theta )$ 还是很小的。训练集增大让交叉验证误差 $J_{cv}(\theta )$ 有减小的趋势，但因为过拟合依然存在，故 $J_{cv}(\theta )$ 只是稍微减小，仍然较大， $J_{cv}(\theta )$ 与 $J_{train}(\theta )$ 间还是有很大差距。

总而言之，学习曲线能让我们发现是否存在高方差/高偏差问题，以及采取某些手段（如：增加训练样本数）是否有意义，避免我们在调试学习算法时浪费时间。

2.3 总结方法

1. 获得更多的训练样本——解决高方差
2. 尝试减少特征的数量——解决高方差
3. 尝试获得更多的特征——解决高偏差
4. 尝试增加多项式特征——解决高偏差
5. 尝试减少正则化程度 $\lambda$——解决高偏差
6. 尝试增加正则化程度 $\lambda$——解决高方差

3. 类偏斜的误差度量

（Error Metrics for Skewed Classes）

以我们之前提到的肿瘤恶性与良性检测问题为例。患有癌症为 1，没有患癌症为 0。假如我们在测试集上进行测试，结果只有 1% 的误分类率，看起来结果好像不错，但如果测试集中真正患有癌症的病人只有 0.50%，这个结果就不太理想了。

这个例子中，正样本的数量远远大于负样本，这种情况我们称之为偏斜类（Skewed Class）。对于这种情况，原来的误分类率不能再作为算法好坏的度量标准。所以我们需要另一种的评估方法，叫做 查准率（Precision）和召回率（Recall）(或称 查全率)。

查准率和召回率越高，算法性能越好。

仍然以肿瘤良性与恶性为例。之前我们的预测结果如下：

• 如果我们希望在更确定的情况下再判断患者得了癌症，因为这是一个坏消息，误诊可能造成患者的恐慌。这样的话，我们可以把临界值 0.5 改为 0.7，这样就可以得到较高的查准率，但召回率相对会降低。

• 如果我们希望保证癌症患者及时得到医治，不放过任何一个可能病例，我们需要把临界值降低，比如改为 0.3。这样会得到较高的召回率，但查准率相对会降低。

那么我们可不可以自动选取临界值呢？

如下面几个算法（可能算法相同，临界值不同），我们如何判断哪个更好？

可能会有人想到求平均值 $Average=\frac{P+R}{2}$，看哪个更高。但显然这并不是一个很好的解决办法。因为按平均值来看，算法3是最高的，但这不是我们希望的。

一般来说，我们用 $F_{1}Score=2\frac{PR}{P+R}$ 值来评估（调和平均数）：

参考：机器学习笔记week6