【机器学习入门系列】 Error 的来源:偏差和方差

作者介绍:张耀琦,现腾讯即通应用部iOS工程师一枚;数学出身,CSDN博客专家(YoferZhang的专栏);目前爱好钻研机器学习。

讨论 error 的两个来源:偏差和方差。估测偏差和方差。对比说明偏差和方差对真正 error 的影响。不同的 error 原因有不同的处理方式。

引用课程:http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html

先看这里,可能由于你正在查看这个平台行间公式不支持很多的渲染,所以最好在我的 CSDN 上查看,传送门:(无奈脸)

CSDN 博客文章地址:http://blog.csdn.net/zyq522376829/article/details/66611368

回顾

第二篇中神奇宝贝的例子:

可以看出越复杂的model 再测试集上的性能并不是越好

这篇要讨论的就是 error 来自什么地方?

error 主要的来源有两个,bias(偏差) 和 variance(方差)

估测

假设上图为神奇宝贝cp值的真正方程,当然这只有 Niantic(制作《Pokemon Go》的游戏公司)知道。从训练集中可以找到真实方程$\hat{f}$ 的近似方程 $f^{*}$。

估测bias 和 variance

估测变量 $x$ 的平均值

  • 假设$x$的平均值为 $\mu$,方差为 $\sigma^{2}$ 估测平均值怎么做呢?
  • 首先拿到N个样品点:${x^{1}, x^{2}, \ldots, x^{N}}$
  • 计算平均值得到$m$, $m = \frac{1}{N} \sum_{n} x^{n} \neq \mu$

但是如果计算很多组的 m ,然后求 m 的期望

这个估计呢是无偏估计(unbiased)。

然后m分布对于 $\mu$ 的离散程度(方差):

这主要取决于N,下图可看出N越小越离散

估测变量 $x$ 的方差

首先用刚才的方法估测 m,

然后再做下面计算:

就可以用$s^{2}$来估测 $\sigma^{2}$

这个估计是有偏估计(biased),

求 $s^{2}$的期望值:

用靶心来说明一下 bias 和 variance 的影响

靶心为真正的方程 $\hat{f}$ ,深蓝色点为$f^{}$ ,是实验求得的方程。求$f^{}$的期望值$\bar{f} = E[f^{*}]$,即图中浅蓝色的点。

$\bar{f}$ 和 $\hat{f}$之间的距离就是误差 bias,而$\bar{f}$ 和 $f^{*}$ 之间的距离就是误差 variance。4幅图的对比观察两个误差的影响。

bias就是射击时瞄准的误差,本来应该是瞄准靶心,但bias就造成瞄准准心的误差;而variance就是虽然瞄准在 $\bar{f}$,但是射不准,总是射在 $\bar{f}$ 的周围。

为什么会有很多的 $f^{*}$?

讨论系列02中的案例:这里假设是在平行宇宙中,抓了不同的神奇宝贝

用同一个model,在不同的训练集中找到的 $f^{*}$就是不一样的

这就像在靶心上射击,进行了很多组(一组多次)。现在需要知道它的散布是怎样的,将100个宇宙中的model画出来

不同的数据集之前什么都有可能发生—||

考虑不同model的variance

一次 model 的 variance 就比较小的,也就是是比较集中,离散程度较小。而5次 model 的 variance 就比较大,同理散布比较广,离散程度较大。

所以用比较简单的 model,variance 是比较小的(就像射击的时候每次的时候,每次射击的设置都集中在一个比较小的区域内)。如果用了复杂的 model,variance 就很大,散布比较开。

这也是因为简单的model受到不同训练集的影响是比较小的。

考虑不同 model 的 bias

这里没办法知道真正的 $\hat{f}$,所以假设图中的那条黑色曲线为真正的 $\hat{f}$

结果可视化,一次平均的 $\bar{f}$没有5次的好,虽然5次的整体结果离散程度很高。

一次 model 的 bias 比较大,而复杂的5次 model,bias 就比较小。

直观的解释:简单的 model 函数集的 space 比较小,所以可能 space 里面就没有包含靶心,肯定射不中。而复杂的 model 函数集的 space 比较大,可能就包含的靶心,只是没有办法找到确切的靶心在哪,但足够多的,就可能得到真正的 $\bar{f}$。

bias v.s. variance

将系列02中的误差拆分为 bias 何 variance。简单 model(左边)是 bias 比较大造成的 error,这种情况叫做 Underfitting(欠拟合),而复杂 model(右边)是 variance 过大造成的 error,这种情况叫做Overfitting(过拟合)

怎么判断?

分析

  • 如果model没有很好的fit训练集,就是bias过大,也就是Underfitting
  • 如果model很好的fit训练集,即再训练集上得到很小的error,但在测试集上得到大的error,这意味着model可能是variance比较大,就是Overfitting。

对于Underfitting和Overfitting,是用不同的方式来处理的

bias大,Underfitting

此时应该重新设计 model 。因为之前的函数集里面可能根本没有包含$\hat{f}$。可以:

将更多的 feature 加进去,比如考虑高度重量,或者 HP 值等等。 或者考虑更多次幂、更复杂的 model。 如果此时强行再收集更多的 data 去训练,这是没有什么帮助的,因为设计的函数集本身就不好,再找更多的训练集也不会更好。

variance大,Overfitting

简单粗暴的方法:More data

但是很多时候不一定能做到收集更多的data。可以针对对问题的理解对数据集做调整(Regularization)。比如识别手写数字的时候,偏转角度的数据集不够,那就将正常的数据集左转15度,右转15度,类似这样的处理。

选择model

  • 现在在bias和variance之间就需要一个权衡
  • 想选择的model,可以平衡bias和variance产生的error,使得总error最小
  • 但是下面这件事最好不要做:

用训练集训练不同的model,然后在测试集上比较error,model3的error比较小,就认为model3好。但实际上这只是你手上的测试集,真正完整的测试集并没有。比如在已有的测试集上error是0.5,但有条件收集到更多的测试集后通常得到的error都是大于0.5的。

Cross Validation(交叉验证)

图中public的测试集是已有的,private是没有的,不知道的。Cross Validation 就是将训练集再分为两部分,一部分作为训练集,一部分作为验证集。用训练集训练model,然后再验证集上比较,确实出最好的model之后(比如model3),再用全部的训练集训练model3,然后再用public的测试集进行测试,此时一般得到的error都是大一些的。不过此时会比较想再回去调一下参数,调整model,让在public的测试集上更好,但不太推荐这样。(心里难受啊,大学数模的时候就回去调,来回痛苦折腾)

上述方法可能会担心将训练集拆分的时候分的效果比较差怎么办,可以用下面的方法。

N-fold Cross Validation(N-折交叉验证)

将训练集分成N份,比如分成3份。

比如在三份中训练结果Average Error是model1最好,再用全部训练集训练model1。(貌似数模也干过,当年都是莫名其妙的分,想想当年数模的时候都根本来不及看是为什么,就是一股脑上去做00oo00)

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

解读 | UC Berkeley 教育学家与心理学家联合提出关于人类好奇心的推理分析

机器之心原创 作者:Jashua Chou 参与:Qintong Wu、Nurhachu Null 好奇心,作为这篇论文的主题,是相当有趣的。它与内在动机的相关...

28860
来自专栏机器之心

业界 | 让机器人学会理解语义概念:谷歌提出深度视觉新技术

选自Google Research Blog 作者:Sergey Levine 机器之心编译 参与:黄小天、路雪 近日,谷歌官方博客上发表了一篇题为《Teach...

38270
来自专栏企鹅号快讯

NEC开发了深度学习自动优化技术、更易于提高识别精度

近日,NEC宣布开发了更易于提高识别精度的深度学习自动优化技术。 以往进行深度学习时,很难基于神经网络构造(注1)进行调整,所以无法在整个网络进行最优化的学习,...

21860
来自专栏企鹅号快讯

人工智能、机器学习、深度学习、数据挖掘、数据分析都是什么意思

在开始学习python大数据之前,我们先要搞清楚人工智能、机器学习、深度学习、数据挖掘、数据分析都是什么意思。 会用30多堂课的内容带大家学习python、数据...

50890
来自专栏祝威廉

机器的自我进化

人类以为自己很强大,然而不过是一直在模仿大自然的造化而已,比如神经网络多少受些人脑神经的设计影响。

7910
来自专栏AI研习社

博客 | TensorFlow系列专题(一):机器学习基础

1956年的8月,美国达特茅斯学院(Dartmouth College)举行了一次研讨会,这次会议由约翰麦卡锡等人发起,会议上约翰麦卡锡首次提出了“人工智能”这...

9220
来自专栏编程

图像识别的原理、过程、应用前景,精华篇!

图像识别技术是信息时代的一门重要的技术,其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展,人类对图像识别技术的认识越来越深刻。图像识别...

1.9K100
来自专栏ATYUN订阅号

机器学习的核心:优化的简介

优化是几乎所有机器学习和统计技术的核心。在本文中,我们讨论最流行的机器学习和统计建模方法背后的核心优化框架。通常,数据科学(DS)和机器学习(ML)的新手通常被...

12120
来自专栏AI科技评论

腾讯 AI Lab 主任张潼博士:机器学习里的优化问题

AI 科技评论按:日前,在由上海财经大学交叉科学研究院(RIIS)主办,杉数科技有限公司协办的「现代运筹学发展讨论会」上,腾讯 AI Lab(腾讯人工智能实验室...

39190
来自专栏BestSDK

超大规模3D数据集ScanNet:让机器人,也可以拥有人类的感情

Angela Dai 是斯坦福大学的一名博士生,在 CVPR 上有一个 Spotlight talk,主要介绍 ScanNet,一个拥有标注过 3D 室内场景...

40680

扫码关注云+社区

领取腾讯云代金券