标签：dfrac mathbf text 学习 eta split mathcal 机器 怎样
本系列是台湾大学资讯工程系林軒田（Hsuan-Tien Lin）教授开设的《机器学习基石》课程的梳理。重在梳理，而非详细的笔记，因此可能会略去一些细节。
该课程共16讲，分为4个部分：
- 机器什么时候能够学习？（When Can Machines Learn？）
- 机器为什么能够学习？（Why Can Machines Learn？）
- 机器怎样学习？（How Can Machines Learn？）
- 机器怎样可以学得更好？（How Can Machines Learn Better？）
本文是第3部分，对应原课程中的9-12讲。
本部分的主要内容：
- 线性回归算法详解，以及泛化能力的保证、能否用于二分类问题等；
- 逻辑回归算法详解，并引入梯度下降方法；
- 阐述PLA、线性回归、逻辑回归3种方法在分类问题上的联系与区别，并引入随机梯度下降方法；
- 多分类问题中的OVA、OVO方法；
- 特征的非线性变换，以及该如何控制变换后的复杂度。
1 线性回归
在第一部分中讲过机器学习的分类，当\(\mathcal{Y}=\mathbb{R}\)时，就是回归。
1.1 线性回归算法
线性回归的假设集十分简单，\(h(\mathbf{x})=\mathbf{w}^T\mathbf{x}\)，其实就是感知机模型去除了符号函数。
它的逐点误差度量可设为\(\text{err}(\hat{y}, y)=(\hat{y}-y)^2\)，那么样本内外的误差分别为
\[E_{\text{in}}(\mathbf{w})=\dfrac{1}{N}\sum\limits_{n=1}^{N}(\mathbf{w}^T \mathbf{x}_n-y_n)^2 \]
和
\[E_{\text{out}}(\mathbf{w})=\mathop{\mathcal{E}}\limits_{(\mathbf{x},y)\sim P}(\mathbf{w}^T \mathbf{x}-y)^2 \]
要最小化\(E_{\text{in}}\)很简单，当它取到最小时必有梯度为\(0\)，因此可先计算出它的梯度：
\[\nabla E_{\text{in}}(\mathbf{w})=\dfrac{2}{N}(X^T X\mathbf{w}-X^T \mathbf{y}) \]
令它为\(0\)即可。如图所示：
若\(X^T X\)可逆（当\(N\gg d+1\)时基本上会满足），则可直接得出
\[\mathbf{w}_{\text{LIN}}=(X^T X)^{-1} X^T \mathbf{y} \]
如果\(X^T X\)是奇异的呢？可先定义“伪逆”（pseudo-inverse）\(X^\dagger\)，在定义完后有
\[\mathbf{w}_{\text{LIN}}=X^\dagger \mathbf{y} \]
在实践中，建议直接使用\(X^\dagger\)，一方面可避免判断\(X^T X\)是否可逆，另一方面就算在几乎不可逆的情况下，它也是在数值上稳定的。
1.2 线性回归的泛化
线性回归看起来没有“学习”过程，是一步到位的，那么它算机器学习吗？
事实上，只要可以保证\(E_{\text{out}}(\mathbf{w}_\text{LIN})\)足够小，那么就可以说“发生了”学习。
在这里，我们不从VC维理论出发，而从另一个角度说明为什么\(E_{\text{out}}(\mathbf{w}_\text{LIN})\)会足够小。
我们先来看平均的\(E_{\text{in}}\)有多大：
\[\overline{E_{\text{in}}}=\mathop{\mathcal{E}}\limits_{\mathcal{D}\sim P^N}\{E_{\text{in}}(\mathbf{w}_\text{LIN} \text{ w.r.t } \mathcal{D})\} \]
其中
\[\begin{split} E_{\text{in}}(\mathbf{w}_\text{LIN})&=\dfrac{1}{N}\Vert \mathbf{y}-\hat{\mathbf{y}}\Vert^2\\ &=\dfrac{1}{N}\Vert (I-XX^\dagger)\mathbf{y}\Vert^2 \end{split}\]
可将\(H=XX^\dagger\)称为hat matrix，因为它可将\(\mathbf{y}\)映射到\(\hat{\mathbf{y}}\)。由下图可知，若\(\mathbf{y}\)由理想的\(f(X)\in \text{span}\)加上噪声\(\mathbf{noise}\)生成，那么\(I-H\)也可将\(\mathbf{noise}\)映射为\(\mathbf{y}-\hat{\mathbf{y}}\)：
而\(\text{trace}(I-H)=N-(d+1)\)，迹可以理解为“能量”，因此有
\[\begin{split} E_{\text{in}}(\mathbf{w}_\text{LIN}) &= \dfrac{1}{N}\Vert \mathbf{y}-\hat{\mathbf{y}}\Vert^2\\ &= \dfrac{1}{N}\Vert (I-H)\mathbf{noise}\Vert^2\\ &= \dfrac{1}{N}(N-(d+1))\Vert\mathbf{noise}\Vert^2 \end{split} \]
如果对\(E_{\text{in}}\)取平均，大概可以理解为
\[\overline{E_{\text{in}}}=\mathbf{noise}\text{ level} \cdot (1-\dfrac{d+1}{N}) \]
类似地有
\[\overline{E_{\text{out}}}=\mathbf{noise}\text{ level} \cdot (1+\dfrac{d+1}{N}) \]
（证明过程略）。
因此\(\overline{E_{\text{in}}}\)和\(\overline{E_{\text{out}}}\)的关系如图：
若\(N\to\infty\)，则二者都收敛于\(\sigma^2\)（\(\mathbf{noise}\text{ level}\)），泛化误差的期望为\(\dfrac{2(d+1)}{N}\)。因此，学习是会“发生”的！
VC维理论说明的是\(E_{\text{in}}\)和\(E_{\text{out}}\)相差较远的概率有上限，而这里说明的是它们的平均差距会收敛。角度不同，但两种方式都说明了泛化的能力。
1.3 用线性回归进行二分类
在线性分类中，\(\mathcal{Y}=\{+1,-1\}\)，\(h(\mathbf{x})=\text{sign}({\mathbf{w}^T\mathbf{x}})\)，\(\text{err}(\hat{y},y)=\mathbf{1}_{[\hat{y}\ne y]}\)，找它的最优解是个NP-hard问题。
由于\(\{+1,-1\}\subset \mathbb{R}\)，即样本的正负类别也能用实数表示，而在线性回归中\(\mathcal{Y}=\mathbb{R}\)，那么，直接来一发线性回归，得到\(\mathbf{w}_\text{LIN}\)，然后让\(g(\mathbf{x})=\text{sign}(\mathbf{w}_\text{LIN}^T\mathbf{x})\)，这是否可行呢？
把线性分类和线性回归的误差度量分别记为\(\text{err}_{0/1}=\mathbf{1}_{[\text{sign}(\mathbf{w}^T\mathbf{x})\ne y]}\)和\(\text{err}_\text{sqr}=({\mathbf{w}^T\mathbf{x}- y})^2\)，它们的关系如下图：
从中可直观地看出，\(\text{err}_{0/1} \le \text{err}_\text{sqr}\)一定成立。由此，有
\[\begin{split} &\text{classification} E_\text{out}(\mathbf{w})\\ \overset{VC}{\le} & \text{classification} E_\text{in}(\mathbf{w})+\sqrt{\cdots}\\ \le & \text{regression} E_\text{in}(\mathbf{w})+\sqrt{\cdots} \end{split} \]
也就是说，让回归的\(E_{\text{in}}\)做得足够好，也可以使得分类的\(E_{\text{out}}\)足够小，只不过上限更宽松一些而已。这样做就是用边界的紧度（bound tightness）换取计算效率（efficiency）。
一般\(\mathbf{w}_\text{LIN}\)可用来作为PLA或pocket算法的初始向量。
2 逻辑回归
2.1 逻辑回归算法
二分类中，我们感兴趣的是
\[f(\mathbf{x})=\text{sign}(P(+1|\mathbf{x})-\dfrac{1}{2}) \in {+1,-1} \]
但在很多场景下，我们想要做的是“软”（soft）分类，即得到某个分类的概率，此时感兴趣的是
\[f(\mathbf{x})=P(+1|\mathbf{x}) \in [0,1] \]
问题在于，我们得到的数据标签是样本的类别，而非样本被分到某个类的概率。
对于一个样本的所有特征\(\mathbf{x}=(x_0, x_1, x_2, \cdots,x_d)\)，令\(s=\sum\limits_{i=0}^{d} w_i x_i\)。我们可用逻辑函数（logistic function）\(\theta(s)\)将它转换成估计的概率。也就是说，逻辑回归（logistic regression）的假设为\(h(\mathbf{x})=\theta(\mathbf{w}^T\mathbf{x})\)。
最常用的逻辑函数是
\[\theta(s)=\dfrac{e^s}{1+e^s}=\dfrac{1}{1+e^{-s}} \]
函数图像如下：
可见，它是个光滑的、单调的、“S”形的（sigmoid）函数。
接下来，要定义逻辑回归的\(E_\text{in}(\mathbf{w})\)。先将目标函数\(f(\mathbf{x})=P(+1|\mathbf{x})\)反表示为
\[P(y|\mathbf{x})=\begin{cases} f(\mathbf{x})&\text{for } y=+1\\ 1-f(\mathbf{x})&\text{for } y=-1 \end{cases} \]
假设手中的数据集为
\[\mathcal{D}=\{(\mathbf{x}_1,\circ),(\mathbf{x}_2,\times),\ldots, (\mathbf{x}_N,\times)\} \]
那么，由\(f\)生成\(\mathcal{D}\)的概率为
\[\begin{split} &P(\mathbf{x}_1)f(\mathbf{x}_1)\\ \times &P(\mathbf{x}_2)(1-f(\mathbf{x}_2))\\ \times &\cdots\\ \times &P(\mathbf{x}_N)(1-f(\mathbf{x}_N) \end{split} \]
由我们的假设\(h\)生成\(\mathcal{D}\)的似然（likelihood）为
\[\begin{split} &P(\mathbf{x}_1)h(\mathbf{x}_1)\\ \times &P(\mathbf{x}_2)(1-h(\mathbf{x}_2))\\ \times &\cdots\\ \times &P(\mathbf{x}_N)(1-h(\mathbf{x}_N) \end{split} \]
如果\(h\approx f\)，那么\(h\)生成\(\mathcal{D}\)的似然也应该接近于由\(f\)生成\(\mathcal{D}\)的概率，并且由\(f\)生成\(\mathcal{D}\)的概率应该是较大的（正好被我们抽样抽到）。所以，机器学习算法可以取
\[g=\mathop{\arg\max}\limits_{h} \text{likelihood}(h) \]
若\(h(\mathbf{x})=\theta(\mathbf{w}^T\mathbf{x})\)，由函数的性质可知，\(1-h(\mathbf{x})=h(-\mathbf{x})\)，所以
\[\begin{split} &\text{likelihood}(h)\\ =&P(\mathbf{x}_1)h(\mathbf{x}_1)\\ \times &P(\mathbf{x}_2)h(-\mathbf{x}_2)\\ \times &\cdots\\ \times &P(\mathbf{x}_N)h(-\mathbf{x}_N) \end{split} \]
而\(P(\mathbf{x}_1)\)、\(P(\mathbf{x}_2)\)、……、\(P(\mathbf{x}_N)\)都与\(h\)无关，因此有
\[\text{likelihood}(\text{logistic } h)\propto \prod\limits_{n=1}^N h(y_n\mathbf{x}_n) \]
现在要将它最大化，以找出最终的\(h\)。可先把\(\theta(s)\)代入，再取对数（对数函数单调，不改变最大化取值的点），变为
\[\max\limits_\mathbf{w} \ln\prod\limits_{n=1}^N\theta(y_n\mathbf{w}^T\mathbf{x}_n) \]
再取相反数（最大化变为最小化）、除\(N\)（不改变最值点）后，又可变为
\[\min\limits_\mathbf{w} \dfrac{1}{N}\sum\limits_{n=1}^N - \ln \theta(y_n\mathbf{w}^T\mathbf{x}_n) \]
将\(\theta(s)\)展开得到
\[\min\limits_\mathbf{w} \dfrac{1}{N}\sum\limits_{n=1}^N \ln \left(1+\exp(-y_n\mathbf{w}^T\mathbf{x}_n)\right) \]
令
\[\text{err}(\mathbf{w},\mathbf{x},y)=\ln\left(1+\exp(-y\mathbf{w}\mathbf{x})\right) \]
这就是交叉熵误差（cross-entropy error），而\(\sum\limits_{n=1}^N \text{err}(\mathbf{w},\mathbf{x}_n,y_n)\)就是\(E_\text{in}(\mathbf{w})\)。
2.2 梯度下降
接下来就要最小化\(E_\text{in}(\mathbf{w})\)，它是连续的、可微的、二次可微的、凸的，因此可以试着让它梯度为\(0\)。求出它的梯度
\[\nabla E_{\text{in}}(\mathbf{w})=\dfrac{1}{N}\sum_{n=1}^N\theta(-y_n\mathbf{w}^T\mathbf{x}_n)(-y_n\mathbf{x}_n) \]
它的梯度可以看成是以\(\theta(\cdot)\)为权重的\(-y_n\mathbf{x}_n\)的加权平均。要让它为0，有两种方式：
- 让所有的\(\theta(-y_n\mathbf{w}^T\mathbf{x}_n)\)都为0，这意味着所有样本都满足\(y_n\mathbf{w}_n\mathbf{x}_n\gg 0\)，也即\(\mathcal{D}\)是线性可分的；
- 若\(\mathcal{D}\)不是线性可分的，要让加权和为0，这是个非线性方程，没有闭式解（closed-form solution）。
可用与PLA中类似的方法进行迭代，即\(\mathbf{w}_{t+1}\leftarrow\mathbf{w}_t+\eta\mathbf{v}\)，其中\(\mathbf{v}\)确定了更新的方向，\(\eta\)确定了更新的步长，如图：
怎么迭代呢？可用贪心算法，一步步让\(E_\text{in}\)变小。假设已经给定某个\(\eta\)，要确定\(\mathbf{v}\)的方向，每一步的更新问题就转换成了
\[\min\limits_{\Vert\mathbf{v}\Vert=1}E_\text{in}(\mathbf{w}_t+\eta\mathbf{v}) \]
看起来仿佛更难解了。但如果\(\eta\)足够小，我们可以用局部线性近似展开它（泰勒展开，Taylor expansion）：
\[E_\text{in}(\mathbf{w}_t+\eta\mathbf{v})\approx E_\text{in}(\mathbf{w}_t)+\eta\mathbf{v}^T\nabla E_\text{in}(\mathbf{w}_t) \]
式中\(E_\text{in}(\mathbf{w}_t)\)和\(\nabla E_\text{in}(\mathbf{w}_t)\)已知，\(\eta\)给定，只需确定\(\mathbf{v}\)即可，注意到上式第二项本质上是两个向量内积，当两个向量方向相反时值最小，因此要最小化上式，可取
\[\mathbf{v}=-\dfrac{\nabla E_\text{in}(\mathbf{w}_t)}{\Vert\nabla E_\text{in}(\mathbf{w}_t)\Vert} \]
梯度下降的迭代更新就变成了：对于给定的较小\(\eta\)，
\[\mathbf{w}_{t+1}\leftarrow\mathbf{w}_t-\eta\dfrac{\nabla E_\text{in}(\mathbf{w}_t)}{\Vert\nabla E_\text{in}(\mathbf{w}_t)\Vert} \]
\(\eta\)太小会导致非常慢，太大会导致不稳定，最好用变化的\(\eta\)，如下图所示：
那么，\(\eta\)怎么变比较好？可让它与\(\Vert\nabla E_\text{in}(\mathbf{w}_t)\Vert\)正相关，将原来固定的\(\eta\)乘上\(\Vert\nabla E_\text{in}(\mathbf{w}_t)\Vert\)即可。这样，更新规则也就变成了
\[\mathbf{w}_{t+1}\leftarrow\mathbf{w}_t-\eta{\nabla E_\text{in}(\mathbf{w}_t)} \]
这个新的\(\eta\)可叫作固定的学习率（learning rate）。
3 分类的线性模型
3.1 三种算法的比较
记\(s=\mathbf{w}^T\mathbf{x}\)，以下是总结三种模型（线性分类、线性回归、逻辑回归）：
这里的\(ys\)可称为分类正确度分数（classification correctness score），即度量分类有多正确，该值越大，说明分类越“正确”。
若将交叉熵误差函数\(\text{err}_\text{CE}(s,y)\)做scale（除\(\ln 2\)），得到
\[\text{err}_\text{SCE}(s,y)=\log_2(1+\exp(-ys)) \]
把它们的误差函数都画出来，可得下图：
从图中可知，一定有
\[\text{err}_{0/1} \le \text{err}_\text{SCE}(s,y) = \dfrac{1}{\ln 2}\text{err}_\text{CE}(s,y) \]
由此可以用VC维理论证明，使用\(\text{err}_\text{CE}\)也可以做好分类任务，有两种思路：
- 从分类的角度出发，有
\[\begin{split} E_\text{out}^{0/1}(\mathbf{w})&\le E_\text{in}^{0/1}(\mathbf{w})+\Omega^{0/1}\\ &\le \dfrac{1}{\ln 2} E_\text{in}^\text{CE}(\mathbf{w})+\Omega^{0/1} \end{split} \]
- 从交叉熵角度出发，有
\[\begin{split} E_\text{out}^{0/1}(\mathbf{w})&\le \dfrac{1}{\ln 2} E_\text{out}^\text{CE}(\mathbf{w})\\ &\le \dfrac{1}{\ln 2} E_\text{in}^\text{CE}(\mathbf{w})+\dfrac{1}{\ln 2}\Omega^\text{CE} \end{split} \]
不管用哪种方式，只要保证\(E_\text{in}^\text{CE}\)足够小，都可以保证\(E_\text{out}^{0/1}(\mathbf{w})\)也足够小，也就是说，使用逻辑回归或线性回归都可以做线性分类。
用PLA、线性回归、逻辑回归做分类，三种方法的优缺点如下：
3.2 随机梯度下降
PLA每次迭代的时间复杂度为\(O(1)\)，但逻辑回归（或pocket算法）每次迭代都需要对\(\mathcal{D}\)中的所有样本进行一次运算，时间复杂度为\(O(N)\)，能不能让每次迭代的时间复杂度也变成\(O(1)\)？
我们在做更新\(\mathbf{w}_{t+1}\leftarrow\mathbf{w}_t+\eta\mathbf{v}\)时，取了
\[\begin{split} \mathbf{v}&=-\nabla E_{\text{in}}(\mathbf{w}_t)\\ &=-\dfrac{1}{N}\sum_{n=1}^N\theta(-y_n\mathbf{w}_t^T\mathbf{x}_n)(-y_n\mathbf{x}_n) \end{split} \]
可以看到，计算梯度需要遍历所有样本，复杂度实在太高了。可将它里面的\(\dfrac{1}{N}\sum\limits_{n=1}^{N}\)看作是期望\(\mathcal{E}\)，相当于不断随机抽一个样本计算出来的结果的平均。若将随机抽一个样本\(n\)算出来的梯度称为随机梯度\(\nabla_\mathbf{w}\text{err}(\mathbf{w},\mathbf{x}_n,y_n)\)，那么真正的梯度可看作是它的期望：
\[\nabla_\mathbf{w} E_\text{in}(\mathbf{w})=\mathop{\mathcal{E}}_{\text{random }n}\nabla_\mathbf{w}\text{err}(\mathbf{w},\mathbf{x}_n,y_n) \]
这样，就可以用随机梯度下降（Stochastic Gradient Descent，SGD）进行迭代。它的好处是非常简单，计算的成本低，非常适用于大数据或在线学习的情况，缺点是不够稳定。
在逻辑回归中，用SGD更新的步骤就变成了
\[\mathbf{w}_{t+1}\leftarrow\mathbf{w}_t+\eta\cdot \theta(-y_n\mathbf{w}_t^T\mathbf{x}_n)(y_n\mathbf{x}_n) \]
这与PLA中的更新步骤十分相似，PLA中是这样的：
\[\mathbf{w}_{t+1}\leftarrow\mathbf{w}_t+1 \cdot \mathbf{1}_{[y_N\ne \text{sign}(\mathbf{w}_t^T \mathbf{x}_n)]}(y_n\mathbf{x}_n) \]
因此用SGD的逻辑回归，可以看作是“软”的PLA。而反过来，若取\(\eta=1\)，则PLA在\(\mathbf{w}_t^T \mathbf{x}_n\)很大的时候也可以看作是用SGD的逻辑回归。
在用SGD时，有两个经验法则：
- 什么时候停止？\(t\)足够大的时候就可以（不要判断梯度是否真的为0，否则又会带来梯度计算的复杂度）；
- 当\(\mathbf{x}\)在一般范围内时，就取\(\eta=0.1\)吧。
4 多分类问题
4.1 用逻辑回归做多分类
假设\(\mathcal{Y}=\{\square, \diamondsuit,\triangle,\star\}\)，数据分布如下图：
可对每个类别分别做一次分类，如下图：
但这样做，在最后要把它们结合起来时，会出现问题，有些区域无法判定属于哪一类：
怎么解决呢？可以用逻辑回归做“软”分类器，依旧是对每个类别\(k\)，用数据集
\[\mathcal{D}_{[k]}=\{(\mathbf{x}_n,y_n'=2\cdot\mathbf{1}_{[y_n=k]}-1)\}_{n=1}^{N} \]
做一次逻辑回归，得到一个分类器\(\mathbf{w}_{[k]}\)：
做完后要将它们结合起来，可取\(g(\mathbf{x})=\arg\max_{k\in\mathcal{Y}}\theta(\mathbf{w}_{[k]}^T\mathbf{x})\)，这样就得到某个点应该属于哪一类了：
这样做称为OVA（One-Versus-All） Decomposition，好处是有效率，可以和类似逻辑回归的方法结合起来，但缺点在于当\(K\)很大时，往往会使\(\mathcal{D}_{[k]}\)非常不平衡，比如有100类，并且分布比较均匀，OVA每次用于训练的样本的两类数据的个数就会非常悬殊。
可以再进行扩展，如multinomial ('coupled') logistic regression，加入一些如“属于不同类的概率加起来应该为1”之类的限制，让它更适合用于多分类。
4.2 用二分类做多分类
为了克服不平衡问题，可以对两两类别进行训练，即用数据集
\[\mathcal{D}_{[k,\ell]}=\{(\mathbf{x}_n,y_n'=2\cdot\mathbf{1}_{[y_n=k]}-1):y_n=k\text{ or } y_n=\ell\} \]
进行线性二分类：
最后，取
\[g(\mathbf{x})=\text{tournament champion}\{\mathbf{w}_{[k,\ell]}^T\mathbf{x}\} \]
即可：
这样的方法叫作OVO（One-Versus-One）Decomposition，好处在于有效率（因为每次训练用的数据量较少），并且是稳定的，可以和任何二分类方法相结合，但缺点在于不断计算\(\mathbf{w}_{[k,\ell]}\)的操作总共的复杂度是\(O(K^2)\)，需要更多运算空间。当\(K\)不是非常大时，OVO很常用。
5 非线性变换
对于某些数据集来说，不管怎么使用线性模型，\(E_{in}\)都很大：
5.1 二次的假设集
我们发现，如果用一个圆来做它的分类界线，它其实是可分的：
所以我们要重新设计圆形PLA、圆形回归、……吗？当然不是。我们可以将\(\mathbf{x}\in\mathcal{X}\)用变换\(\Phi\)映射到\(\mathbf{z}\in\mathcal{Z}\)，使得在\(\mathcal{X}\)中圆形可分的数据在\(\mathcal{Z}\)中线性可分。
通过由\(\Phi_2(\mathbf{x})=(1,x_1,x_2,x_1^2,x_1x_2,x^2_2)\)映射而来的\(\mathcal{Z}\)空间，可构成一般的二次假设集：
\[\mathcal{H}_{\Phi_2}=\{h(\mathbf{x}):h(\mathbf{x})=\tilde h(\Phi_2(\mathbf{x}))\text{ for some linear }\tilde h \text{ on }\mathcal{Z}\} \]
当然也可以用更高次的非线性变换，用非线性变换的流程如下图：
具体步骤如下：
- 先用\(\Phi\)将\(\{(\mathbf{x}_n,y_n)\}\)变换到\(\{(\mathbf{z}_n=\Phi(\mathbf{x}_n),y_n)\}\)；
- 用\(\{(\mathbf{z}_n,y_n)\}\)和线性分类算法\(\mathcal{A}\)训练出模型\(\tilde{\mathbf{w}}\)；
- 返回\(g(\mathbf{x})=\text{sign}\left(\tilde{\mathbf{w}}^T \Phi(\mathbf{x})\right)\)即可。
5.2 复杂度的代价
假设用\(Q\)次的非线性变换：
\[\begin{split} \Phi_Q(\mathbf{x})=(&1,\\ &x_1,x_2,\ldots,x_d,\\ &x_1^2,x_1 x_2,\ldots,x_d^2,\\ &\cdots,\\ &x_1^Q,x_1^{Q-1}x_2,\ldots,x_d^Q) \end{split} \]
式中的项数\(1+\tilde d\)是多少呢？若有\(d\)个特征，可以在补上1后认为上面式子后边的每一项都是\(Q\)次的，也就是说要对\(d+1\)项每项都赋予一个次数，并且所有次数之和必须为\(Q\)。可以用隔板法：想象共有\(Q+d+1\)个小球，要在它们的空隙中放入\(d\)个隔板，隔成\(d+1\)段，每一段的小球个数减去1代表了对应位置的项的次数，由于要求每段中至少有1个小球，因此两端不能放隔板，共有\(Q+d\)个位置可放隔板，共有\(\binom{Q+d}{d}\)种放法，也就是说，上式等号右边的项数
\[1+\tilde d=\binom{Q+d}{d}=O(Q^d) \]
当\(Q\)较大时，一方面计算或存储的成本非常高，另一方面\(1+\tilde d\)是\(d_\text{VC}(\mathcal{H}_{\Phi_Q})\)的上界，\(Q\)太大会导致\(d_\text{VC}\)过大，模型损失了泛化能力。
5.3 \(Q\)的选择
如何选择\(Q\)？假设\(\Phi_0(\mathbf{x})=(1)\)，\(\Phi_1(\mathbf{x})=\left(\Phi_0(\mathbf{x}),x_1,x_2,\ldots,x_d,\right)\)，……，\(\Phi_Q(\mathbf{x})=\left(\Phi_{Q-1}(\mathbf{x}),x_1^Q,x_1^{Q-1}x_2,\ldots,x_d^Q,\right)\)，将它们的假设集分别记为\(\mathcal{H}_0\)，\(\mathcal{H}_1\)，……，\(\mathcal{H}_Q\)，它们存在嵌套关系
\[\mathcal{H}_0 \subset \mathcal{H}_1\subset\mathcal{H}_2\subset\cdots \]
如图所示：
并且，它们的VC维满足
\[d_\text{VC}(\mathcal{H}_0)\le d_\text{VC}(\mathcal{H}_1)\le d_\text{VC}(\mathcal{H}_2)\le\cdots \]
若取\(g_i=\arg\min_{h\in \mathcal{H}_i} E_\text{in}(h)\)，则它们的\(E_\text{in}\)满足
\[E_\text{in}(g_0)\ge E_\text{in}(g_1)\ge E_\text{in}(g_2)\ge \cdots \]
如何选择\(Q\)？安全的做法是，先看\(E_\text{in}(g_1)\)是否已经足够小，如果足够小，就可以了，否则，就用再稍微复杂一些的模型，也就是在下图中向右移动：
标签：dfrac,mathbf,text,学习,eta,split,mathcal,机器,怎样 来源： https://www.cnblogs.com/analysis101/p/13672314.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。