硬啃：《Deep Learning》机器学习基础篇（三）

继续紧接上文内容，接下来我们要学习统计领域的相关知识，统计领域给了我们很多工具来实现机器学习的目标，不仅可以解决训练集上的任务，还可以泛化。例如一些基本概念，估计、偏差和方差，对于正式刻画泛化、欠拟合和过拟合都非常有帮助。

估计、偏差和方差

点估计

点估计试图为一些感兴趣的量提供一个单例“最优”预测。一般地，感兴趣的量可以是单个参数，或是某些参数模型中的一个向量参数，也有可能是整个函数。

为了区分参数估计和真实值，我们习惯将参数$\theta$的点估计表示为$\hat{\theta }$。

令{x(1),…,x(m)}\{x^{(1)},\ldots,x^{(m)}\}{x(1),…,x(m)}是$m$个独立同分布的数据点。点估计或统计量是这些数据的任意函数：

$${\hat{\theta }}_m=g(x^{(1)},\dots ,x^{(m)})$$

这个定义不要求$g$返回一个接近$\theta$的值，或者$g$的值域恰好是$\theta$的允许取值范围。点估计也可以指输入和目标变量之间关系的估计，我们将这种类型的点估计称为函数估计。

函数估计：有时我们会关注函数估计。这时我们试图从输入向量$x$预测变量$y$。假设有一个函数$f(x)$表示$y$和$x$之间的近似关系。例如，我们可能假设$y=f(x)+ϵ$，其中$ϵ$是$y$中未能从$x$预测的一部分。在函数估计中，我们感兴趣的是用模型估计去近似$f$，或者估计$\hat{f}$。函数估计和参数估计是一样的，函数估计是函数空间中的一个点估计。

偏差

估计的偏差量被定义为

$$bias({\hat{\theta }}_m)=\mathbb{E}({\hat{\theta }}_m)-\theta$$

其中期望作用在所有的数据上，$\theta$是用于定义数据生成分布的真实值。如果$bias({\hat{\theta }}_m)=0$，那么估计量${\hat{\theta }}_m$被称为无偏，这意味着$\mathbb{E}({\hat{\theta }}_m)=\theta$。如果$\underset{m\to \infty }{\lim }bias({\hat{\theta }}_m)=0$，那么估计量${\hat{\theta }}_m$被称为是渐近无偏，这意味着$\underset{m\to \infty }{\lim }\mathbb{E}({\hat{\theta }}_m)=\theta$。

示例1：伯努利分布

考虑一组服从均值为$\theta$的伯努利分布的独立同分布样本{x(1),…,x(m)}\{x^{(1)},\ldots,x^{(m)}\}{x(1),…,x(m)}：

$$P(x^{(i)};\theta )={\theta }^{x^{(i)}}(1-\theta {)}^{(1-x^{(i)})}$$

这个分布中的参数$\theta$的常用估计量是训练样本的均值：

$${\hat{\theta }}_m=\frac{1}{m}\sum _{i=1}^m{x}^{(i)}$$

判断这个估计量是否有偏，我们将上式代入到偏差定义式中：

$$\begin{gathered} bias({\hat{\theta }}_m)=\mathbb{E}({\hat{\theta }}_m)-\theta \\ =\mathbb{E}\left[\frac{1}{m}\sum _{i=1}^m{x}^{(i)}\right]-\theta \\ =\frac{1}{m}\sum _{i=1}^m\mathbb{E}[x^{(i)}]-\theta \\ =\frac{1}{m}\sum _{i=1}^m\sum _{x^{(i)}=0}^1(x^{(i)}{\theta }^{x^{(i)}}(1-\theta {)}^{(1-x^{(i)})})-\theta \\ =\frac{1}{m}\sum _{i=1}^m(\theta )-\theta \\ =\theta -\theta =0 \end{gathered}$$

因为$bias(\hat{\theta })=0$，我们称估计$\hat{\theta }$是无偏的。

示例2：均值的高斯分布估计

现在考虑一组独立同分布的样本{x(1),…,x(m)}\{x^{(1)},\ldots,x^{(m)}\}{x(1),…,x(m)}服从高斯分布$p(x^{(i)})=N(x^{(i)};\mu ,{\sigma }^2)$，其中i∈{1,…,m}i\in\{1,\ldots,m\}i∈{1,…,m}。高斯分布密度函数如下：

$$p(x^{(i)};\mu ,{\sigma }^2)=\frac{1}{\sqrt{2\pi {\sigma }^2}}exp(-\frac{1}{2}\frac{(x^{(i)}-\mu {)}^2}{{\sigma }^2})$$

高斯均值参数的常用估计量被称为样本均值：

$${\hat{\mu }}_m=\frac{1}{m}\sum _{i=1}^m{x}^{(i)}$$

判断样本均值是否有偏，我们再次计算它的期望：

$$\begin{gathered} bias({\hat{\mu }}_m)=\mathbb{E}[{\hat{\mu }}_m]-\mu \\ =\mathbb{E}\left[\frac{1}{m}\sum _{i=1}^m{x}^{(i)}\right]-\mu \\ =(\frac{1}{m}\sum _{i=1}^m\mathbb{E}[x^{(i)}])-\mu \\ =\left(\frac{1}{m}\sum _{i=1}^m\mu \right)-\mu \\ =\mu -\mu =0 \end{gathered}$$

因此我们发现样本均值是高斯均值参数的无偏估计量。

示例3：高斯分布方差估计

本例中，我们比较高斯分布方差参数${\sigma }^2$的两个不同估计。我们探讨是否存在一个是有偏的。

我们考虑的第一个方差估计被称为样本方差：

$${\hat{\sigma }}_m=\frac{1}{m}\sum _{i=1}^m(x^{(i)}-{\hat{\mu }}_m{)}^2$$

其中${\hat{\mu }}_m$是样本均值，更形式化的表示我们对计算感兴趣

$$bias({\hat{\sigma }}_m^2)=\mathbb{E}[{\hat{\sigma }}_m^2]-{\sigma }^2$$

首先我们估计项$\mathbb{E}[{\hat{\sigma }}_m^2]$：

$$\begin{gathered} \mathbb{E}[{\hat{\sigma }}_m^2]=\mathbb{E}\left[\frac{1}{m}\sum _{i=1}^m\right(x^{(i)-{\hat{\mu }}_m}{)}^2] \\ =\frac{m-1}{m}{\sigma }^2 \end{gathered}$$

回到上面的式子，我们可以得到${\hat{\sigma }}_m^2$的偏差时$-\frac{{\sigma }^2}{m}$。因此样本方式是有偏估计。

无偏样本方差估计：

$${\tilde{\sigma }}_m^2=\frac{1}{m-1}\sum _{i=1}^m(x^{(i)}-{\hat{\mu }}_m{)}^2$$

提供了另一种可选方案。正如名字所示，这个估计是无偏的。也就是说这里$\mathbb{E}[{\tilde{\sigma }}_m^2]={\sigma }^2$：

$$\begin{gathered} \mathbb{E}[{\tilde{\sigma }}_m^2]=\mathbb{E}\left[\frac{1}{m-1}\sum _{i=1}^m\right(x^{(i)}-{\hat{\mu }}_m{)}^2] \\ =\frac{m}{m-1}\mathbb{E}[{\hat{\sigma }}_m^2] \\ =\frac{m}{m-1}(\frac{m-1}{m}{\sigma }^2) \\ ={\sigma }^2 \end{gathered}$$

我们有两个估计量：一格式有偏的，另一个是无偏的。尽管无偏是我们所满意的情况，但是它并不总是“最好”的估计。经常会使用一些重要性质的有偏估计。

方差和标准差

有时我们希望能够对估计量的另一个性值进行判断，期望变化的程度是多少。正如前文提到的估计量的期望可以决定它的偏差，我们可以计算它的方差来判断它变化的程度：

$$Var(\hat{\theta })$$

其中的变量为训练集。另外如果对方差开根号，得到的就是标准差，记作$SE(\hat{\theta })$。

正如我们希望我们训练的模型的偏差更小，同样的方差我们也希望它能尽可能的小。

均值的标准差：

$$SE(\widehat{{\mu }_m})=\sqrt{Var\left[\frac{1}{m}\sum _{i=1}^m{x}^{(i)}\right]}=\frac{\sigma }{\sqrt{m}}$$

其中${\sigma }^2$是样本$x^{(i)}$的真实方差。标准差记作$\sigma$。均值的标准差在机器学习实验中非常有用。我们通常用测试集样本的误差均值来估计泛化误差。测试集中样本的数量决定了这个估计的精确度。中心极限定理告诉我们均值会接近一个高斯分布，我们可以用标准差计算出真实期望落在所选定区域的概率。例如，以均值${\hat{\mu }}_m$为中心的95%置信区间是

$$({\hat{\mu }}_m-1.96SE({\hat{\mu }}_m),{\hat{\mu }}_m+1.96SE({\hat{\mu }}_m))$$

以上区间是基于均值${\hat{\mu }}_m$和方差$SE({\hat{\mu }}_m{)}^2$的高斯分布。在机器学习中算法A比算法B好的指标就是指算法A的误差的95%置信区间的上界小于算法B的误差的95%置信区间的下界。