Upload
jennis
View
175
Download
0
Embed Size (px)
DESCRIPTION
有监督学习概述 [ESL] Chp2 回归分析 [ESL] Chp3 [Wasserman] Chp13 模型评估与选择 [ESL] Chp7/8. 第三部分:统计学习基础. [ESL] Trevor Hastie, Robert Tibshirani, Jerome Friedman 著 “ The Elements of Statistical Leanring” ,范明,柴玉梅,昝红英译 《 统计学习基础 — 数据挖掘、推理与预测 》 , 电子工业出版社, 2004. 例:一个回归例子. 例: 然后对每个数据加上高斯噪声, 目标: - PowerPoint PPT Presentation
Citation preview
第三部分:统计学习基础 有监督学习概述
[ESL] Chp2
回归分析 [ESL] Chp3 [Wasserman] Chp13
模型评估与选择 [ESL] Chp7/8
[ESL] Trevor Hastie, Robert Tibshirani, Jerome Friedman 著 “ The Elements of Statistical Leanring” ,范明,柴玉梅,昝红英译《统计学习基础—数据挖掘、推理与预测》, 电子工业出版社, 2004
例:一个回归例子 例:
然后对每个数据加上高斯噪声,
目标:
通过最小化残差的平方和( RSS)
拟合 f
( ) 0.5 0.4sin(2 )y f x x 0.05
0 10
( , )M
M jM j
j
f x x x x
2
1
( ) ,n
i ii
RSS f x y
例:一个回归例子(续)
1 阶多项式拟合 3 阶多项式拟合拟合得到的曲线样本数据点
例:一个回归例子(续)
10 阶多项式拟合 训练正确率和测试误差
一些术语 有监督学习:
给定包含输入特征 和对应响应 的训练样本,学习 Y与 X之间的关系
对新的输入 x,预测其响应 y
如果输出值 Y的类型是连续值:回归 根据公司的业绩和经济学数据,预测今后 6个月的股票价格 根据患者血液的红外光谱,估计糖尿病患者血液中葡萄糖的含量
如果输出值 Y 为离散值:分类 根据数字图像,识别手写的邮政编码数据 根据邮件中单词和字符的比例,识别 email是否为垃圾邮件
iXiY
目标根据训练数据, 正确预测未见过的测试样本 理解哪些输入影响输出 怎样评价预测的质量
哲学思想 理解各种技术背后的基本思想,以知道如何和在
什么情况采用这些技术
先理解比较简单的方法,以便掌握更复杂的技术
正确评价方法的性能很重要,以便知道该方法在什么情况下工作得好,在什么情况下工作得不好 [ 简单的方法通常和那些很华丽时髦的方法工作得一样好! ]
一个例子
IR2 上从未知分布产生的200 点,其中类别 ={ 绿,红 }各 100 个点 。 我们能建立一个规则,预测将来的点的颜色的规则吗?
比较两种最简单的预测方法 线性回归 k近邻法( k - nearest neighbors, knn )
线性回归 输入 p维向量,扩展成 p+1 维:
向量均为列向量
类别 G=绿时, Y=0;否则 Y=1。
Y用 X 的线性函数来建模
最简单、也是最常用的模型
01
ˆ ˆˆp
Tj j
j
Y f X X X
11, , , pX X X
线性回归 利用最小二乘法,通过最小化残差的平方和( RSS)
得到
如果 是非奇异的,则唯一解为
则学习得到 f 的估计为
22
1 1
( )n n
TTi i i i
i i
RSS y f x y x
y X y X
ˆ ˆmin ( ) 0 TRSS
X y
1ˆ T T
X X X y
TX X
ˆ ˆTf x x
线性回归 对将来的点 的预测为
在训练集上错误率为 14% 比随机猜测强的多 但还是有很多错误
决策边界 是线性的
采用更灵活的模型能得到更好的结果?
0x 0 0 0ˆ ˆˆ Ty f x x
00
0
ˆ 0.5ˆ ˆ 0.5
if y xG x
if y x
红绿
: 0.5Tx x
knn
观察其邻居,采取投票的方式
其中 为 x0的邻域,由训练样本中最邻近x0的 k个点 xi 定义( k-近邻)
如果在观测 x邻域中某一类明显占优势,则观测样本也更可能属于该类。分类规则为邻域成员的多数票
0
0
1ˆi k
ix N x
Y x yk
0kN x
00
0
ˆ 0.5ˆ ˆ 0.5
if y xG x
if y x
红绿
15- 近邻分类:训练集上的错误率为 12%
过拟合 knn 比线性回归表现稍好 但我们应警惕过拟合 (overfitting) 问题
在训练集上模型工作得很好(有时甚至 100% 正确),但忘记了训练集是一个随机过程的输出,从而训练好的模型可能在其它情况(另外的测试集)工作欠佳
1nn?
1- 近邻分类。没有样本被误分,判决边界更加不规则
knn中 k 的选择? 在测试集上,哪个模型表现最佳?
k 的选择:偏差—方差折中 较小的 k :预测更灵活,但太灵活可能会导致过拟合,从而估
计方差更大 较大的 k :预测更稳定,但可能不够灵活,不灵活通常与偏差 / 不准确有关
方法 预测误差
训练集 测试集
线性回归 0.14 0.185
Knn(15) 0.12 0.175
Knn(1) 0.0 0.185
在前面 200 个点上训练,在 10,000 个数据上测试的结果
当 k 较小时,训练误差较小,但测试误差一般较大当 k 较大时,训练误差较大,但测试误差一般较小
统计决策理论 令 表示一个实值的随机输入向量,
表示实值的随机输出变量
损失函数: 对回归问题,常用平方误差损失
风险函数(损失函数的期望):
对每个输入 x,目标是使风险函数最小,得到:
为条件期望,亦称回归函数。
IR pX
,L Y f X
2,L Y f X Y f X
2
|, |XY X Y XR f L Y f X Y f X X E E E
|ˆ |Y Xf x Y X x E
IRY
统计决策理论 对分类问题,常用损失函数为 0-1损失函数
风险函数为
对每个输入 x,使风险函数最小
结果为最大后验估计( MAP ),亦称贝叶斯分类器
1 :
ˆ arg min , | arg min |
arg min 1 | arg max |
j
k
j j jg gj j g
g g
G x L g X x X x
g X x g X x
G G G
G G
G G GP P
P P
ˆ0ˆ ,1
G GL G G
otherwise
1
ˆ, |k
X j jj
L G X X
G GE P
, |ˆ ˆ ˆ, ,G X X G XR G L G G X L G G X E E E
贝叶斯最优分类器的结果
贝叶斯分类器 为什么不用贝叶斯分类器 ?
因为通常我们不知道
在上例中我们是已知数据产生的过程 每个类的概率密度为 10个高斯的均匀混合
对类别绿, k=1;对类别红, k=2 对类别绿, 10个均值从正态分布产生: 对类别红, 10个均值从正态分布产生: 方差
|g X xP
10
2
1
; ,k kll
f x x
~ 1,0 ,T
kl N I
2 1 5 ~ 0,1 ,
T
kl N I
ˆ arg max |g
G x g X x
G
P
贝叶斯分类器 knn 是贝叶斯分类器的直观实现
不知道 ,在 x附近的小邻域类别为 g 的数目
用频数近似概率 在点上取条件放宽为在目标点的邻域内取条件
如果取
则贝叶斯分类器与回归函数之间的关系为:
|g X xP
1
0
G gY
otherwise
| |G g X x Y X x P E
knn vs. 线性回归 当 且 时, knn的估计
即该估计是一致的。 但通常没有那么多样本
线性回归假设 的结构是线性的: 并最小化训练样本上的平均损失:
随着样本数目的增多, 收敛于 但模型受到线性假设的限制
,n k 0k n
|ˆ |Y Xf x Y X x E
f x Tf x X
1
TX X XY
E E 1ˆ T T
X X X y
knn vs. 线性回归 通过用样本均值来逼近数学期望, knn 和线性回归最终都得到近似条件期望。但二者对模型的假设截然不同: 线性回归:假定 可以用一个全局线性函数很好近似 knn :假定 可以用一个局部常量函数很好近似
后者看上去更合理:可以逼近更多的函数类,但必须为这种灵活性付出高昂代价
f x
f x
knn
很多现代的学习过程是 knn 的变种 核平滑:每个样本的权重不是 0/1,而是随样本点到目标点的距离平滑减至 0
著名的支持向量机( support vector machine, SVM )与核平滑有许多相同之处
维数灾难 似乎有了合理大的训练数据集,使用 knn平均总能逼近理论上的最佳条件期望 我们能找到接近任意 x的相当大的观测值邻域,并对它们取平均
这样就不必考虑线性会回归了
但在高维空间中, knn法将失败 在目标点附近很难收集到 k个邻居: 维数灾难 (curse of
dimensionality)
维数灾难 “邻域不再是 局部的” :考虑输入在 p维单位超立方体上的均匀分布,选取目标点的超立方体的邻居,覆盖比例为 r ,则边长为:
当维数 p=10时,边长为 为了得到数据的 1%或 10%的覆盖,必须覆盖输入变量定义域的 63%或 80% “。这样的邻域不再是 局部的”
最近邻居的空间趋近于很大,从而估计是有偏的 而降低邻域的大小也无济于事,因为取平均值的观测值越少,拟合的方差会增大
但并不表示局部方法(如 knn )在高维空间中没有意义 因为通常数据在高维空间中是有结构的,如成团分布,即数据的本
质维数不高
1 ppl e r r
10 100.01 0.63, 0.1 0.80e e
维数灾难
1 ppe r r
r
e
函数逼近 考虑连续数据的回归问题:给定 X, Y 的最佳预测为回归
函数:
为了预测,我们需要知道 f ,但通常我们并不知道 f 有时科学知识(如物理化学定律)告诉我们 f 的形式 如胡克定律指出:在弹性限度内,弹簧的的形变 f 跟引起形变
的外力 x ,即
其中 为弹簧的初始长度, 为物质的弹性系数,由材料的性质所决定
对给定的弹簧,我们不知道其弹性系数,但我们可以通过测量不同外力下的形变来估计弹性系数
|f x Y X x E
0 1f x x
01
函数逼近 但测量会有误差 ,这样考虑统计模型的观点:
其中 且为随机误差,与 X独立 当有足够多的数据时,最小二乘能得到精确预测,并且我们
能正确(偏差小)、精确(方差小)地预测任意外力下的形变
如果科学知识告诉我们应该应该选择非线性模型,如sigmoid 模型,我们仍然可以用最小二乘法求解,只是计算可能稍复杂
经验告诉我们,当二元正态分布的相关系数为 0.5 时,意味着线性关系仍能工作得很好
事实上,有时候人们既没有从理论上,也没有从经验上分析就直接采用线性模型
Y f X
0 E
函数逼近 更通用的做法是选择一个函数族, 参数形式为
其中为参数集合 可以用最小二乘法求解,也可以用更一般的极
大似然法来求解 可能是一个封闭的解析解 也可能要通过数值计算的方法迭代计算得到
f x f x
函数逼近 但可能我们选定的函数族中的任何函数都不能很
好表示 f 如上述红绿点分类的例子中线性模型表现不够好,偏差
太大 或者是选择函数族太灵活
如红绿点分类的例子中 knn (k=1) 时,估计不够好,因为估计利用的数据太少(只利用了 k=1 个点)方差太大
问题:如何选择合适的函数族? 增加结构约束
结构化的回归模型 对任意函数 f ,考虑 RSS 准则
任何通过 的函数的 RSS=0 :有无穷多个解 当测试数据与训练数据不同时,该函数可能是一个非常糟糕的预测 只有当 n足够大时,样本均值才能趋于条件期望
为了得到对有限 n 有效的结果,需要将解限定在一个合理的较小函数集合:如参数模型
通常限制施加的是复杂性约束:通常这意味着在输入空间上小邻域上的规则,即对所有的输入点 x ,在某种度量下,它们都足够靠近, 显示出某种特殊的结构,如近似常数、线性或低阶多项式。
2
1
( )n
i ii
RSS f y f x
,i ix y
f
f
结构化的回归模型 约束的强度由邻域的大小决定:邻域越大,约束越强,并且解对约束的特定选择越敏感 knn :局部常数拟合
在无穷小的邻域中,局部常数拟合通常不再是约束 线性回归:全局线性拟合
在非常大的邻域中,局部线性拟合几乎是全局的线性模型,并且限制很强
局部线性回归:局部线性拟合 在邻域中用线性拟合
—偏差 方差折中 如在 knn 回归中:
模型为 ,其中 则在点 处的期望误差(亦称测试误差 /泛化误差)
当 k变化时,在偏差 -方差之间有一个折中 偏差为 k的增函数,而方差为 k的减函数 较小的 k ,模型较复杂,拟合精度高,偏差较小,但方差较大 模型选择:拟合精度与模型复杂度之间的平衡
Y f X 20, E V
0
0
1ˆ
i k
k ix N x
f x yk
0x
2
0 0 0ˆ ˆ |k kR f x Y f x X x
E
2 20 0
ˆ ˆk kbias f x f x V
2 2
20
1
1 k
ll
f x f xk k
当 k 较小时,训练误差较小,但测试误差一般较大当 k 较大时,训练误差较大,但测试误差一般较小
模型选择 目标:测试误差最小 测试误差:用训练误差估计
但训练误差不是测试误差的一个很好估计,因为训练误差不能很好地解释模型的复杂性
过拟合区域欠拟合区域
本章小结 有监督学习:给定训练数据 ,求使风险最小的 f ,即
当损失为平方误差损失,结果为
实际求解时,只能利用训练样本的信息,用样本均值近似期望 但不能以训练误差作为标准,因为样本均值只能在大样本情况下才能逼
近期望 目标为期望风险 / 测试误差最小,但测试集不可得,所以应该增加限制,即函数限制在一个合理的较小集合
不同的学习过程表现为对 施加不同的限制,这种限制通常为复杂性约束(在输入空间上小邻域上的规则)
模型选择:模型复杂度和训练误差之间的折中 / —偏差 方差折中
1 1, , , , ~ ,n n XYX Y X Y F x y
ˆˆ arg min arg min ,YXf x f x
Y f X R f L Y f X E Y f X
ˆ |f x Y X x E
f x
下节课内容 下节课内容:线性回归模型
[Wasserman] Chp13 [ESL] Chp3
第三部分实验 数据:前列腺癌数据
ESL 一书中回归分析的主要数据用例 实验内容:
实现回归模型中的两种 线性回归:必选 岭回归 LASSO 核回归 局部线性回归
并选择合适复杂度的模型 AIC/BIC 交叉验证 bootstrap
前列腺癌数据 考察第 9 列的前列腺癌特殊抗原水平( lpsa: log prostate specific antigen ) 与前 8 列临床指标之间的相关性
lcavol: log cancel volume (肿瘤体积) lweight: log prostate weight (前列腺重量) age :(年龄) lbph: log bengin prostatic hypcrplasia (良性前列腺增生量) svi: seminal vesicle invasion (精囊浸润) lcp: log of capsular penetration (包膜穿透) gleason: gleason score ( Gleason积分) pgg45: percent of Gleason scores 4 or 5 ( Gleason4/5所占百分比 )
共 97 个样本,第 10 列标记某个样本为训练样本还是测试样本 67 训练样本 30 个测试样本
维数灾难问题 2:大多数点都靠近样本的边界
考虑均匀分布在以原点为中心的 p维单位球内的 n个数据点,假设考虑最近邻。则从原点到最近数据点的中位数距离为:
当 n=500, p=10 时, ,超过到边界的一半 大部分样本更靠近样本空间的边界,而不是靠近其他数据
111
, 12
pn
d p n
, 0.52d p n
证明( 1) 考虑均匀分布在以原点为中心的 p维单位球上的
n个数据点,假设考虑最近邻。则从原点到最近数据点的距离的中位数为:
证明:令 表示以原点为中心,半径为 r的p维超球的体积,则
则一个数据点落入半径为 r的超球内的概率为
111
, 12
pn
d p n
pV r
2
2 1
pp
pV r rp
1
p
p
V rr
V一个数据点落入半径为 的超球内P
证明( 2) 令 R表示原点到最近数据点的距离,由于数据是随机的, R为随机变量。则 R的 CDF为:
1
1
1
1
F r R r r
r
r
r
r
最近
所
原点到最近数据点的距离
原点到 数据点的距离
原点到 数据点的距离
数据点到原点的距离
数据点半径为
有
没有
没 的超球内有
P P
P
P
P
P
1 1 1 11
nnp p
p
V rr
V
中位数: 111 1
1 1 12 2
pnnpF r r r