前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >机器为什么可以学习

机器为什么可以学习

作者头像
用户1147754
发布2018-01-02 17:15:04
8030
发布2018-01-02 17:15:04
举报
文章被收录于专栏:YoungGyYoungGy

机器学习、人工智能炙手可热,但是机器到底为什么可以学习呢?本文将从霍夫丁不等式讲到VC维,探究机器学习的原因所在。

  • 机器怎么可能学习
  • 机器确实可能会学习
  • 机器为什么可以学习
    • 机器学习的一般模式
    • 多次试验与假设集
    • M从哪来
    • break point与VC维

  • 机器什么时候可以学习
  • 机器怎么学习
  • 如何让机器学得更好
  • 总结

本文的主要内容参考国立中国台湾大学的《机器学习基石》课程,作者在其基础上进行了部分提炼与整合。

机器怎么可能学习

机器学习乍听之下很厉害,这时候人就会想,这一个普普通通的死板的机器,怎么会学习呢? 很容易地,人们举了个简单的问题(如下图):x,y,g,fx,y,g,f分别表示:数据集、数据标签、预测模型、实际的模型。前5行的数据代表已知的,后三行的数据需要机器学习预测模型去预测。

悲催的是,符合已知的数据的预测模型最多有8种,这8种任选一种,都可以完全符合已知的数据,也都可以完全不符合未知的数据。这么看来,机器确实是学习不到东西的。

机器确实可能会学习

假定面前有一个箱子,箱子里面有绿球和黄球,已知黄球的比例是μ\mu,希望通过抽取NN个样本,学习样本中黄球的比例vv去逼近μ\mu。

μ,v\mu,v满足的关系如下,其中ϵ\epsilon代表误差限,下面的式子叫做Hoeffding不等式。

P(|v−μ|>ϵ)P(|Ein−Eout|>ϵ)P(BAD)≤2exp(−2ϵ2N)≤2exp(−2ϵ2N)≤2exp(−2ϵ2N)

\begin{split} &P(|v-\mu| > \epsilon) &\le 2\exp(-2\epsilon^2N) \\ &P(|E_{in}-E_{out}| > \epsilon) &\le 2\exp(-2\epsilon^2N) \\ &P(BAD) &\le 2\exp(-2\epsilon^2N) \end{split}

设定一定的误差容忍限ϵ\epsilon后,需要做到如下的事情机器才可能学习:

  • 采样样本量NN足够大
  • EinE_{in}足够小

有了Hoeffding不等式后,我们会想,机器如果有足够大的数据,是不是就可以学习到数据背后的模型,也就实现了机器学习?

机器为什么可以学习

机器学习的一般模式

在探讨机器为什么可以学习之前,先阐述下机器学习的一般模式。

一句话阐述如下:算法AA通过数据DD和假设集HH去学习实际模型ff的估计gg。

机器要学习,需要满足这两件事情:

  • EinE_{in}小
  • Ein≈EoutE_{in} \approx E_{out}

多次试验与假设集

上述的Hoeffding不等式只适用于单次实验,假定假设集是R2R^2上的直线,那么单次实验相当于确定直线为y=x+1y=x+1的时候,Ein,EoutE_{in},E_{out}的差值受Hoeffding不等式的限制。

可是,一般情况下,我们的假设集是很大的,R2R^2上的直线包含无限个假设gg。如果不断尝试假设gg,视比例vv为EinE_{in},那么总会找到对应Ein很小的E_{in}很小的gg。对应计算盒子中黄球的比例vv很低,那么当取了非常非常多次后,非常大的可能会出现v=0v=0(也就是Ein=0E_{in}=0)的情况。可是,这种时候不能说μ=0\mu=0(也就是Eout=0E_{out}=0)。

同样的,当假设集的大小是MM时,P(BAD)P(BAD)的上限是MM个假设gg的P(BAD)P(BAD)的和,所以有:

P(|Ein−Eout|>ϵ)P(BAD)≤2Mexp(−2ϵ2N)≤2Mexp(−2ϵ2N)

\begin{split} &P(|E_{in}-E_{out}| > \epsilon) &\le 2M\exp(-2\epsilon^2N) \\ &P(BAD) &\le 2M\exp(-2\epsilon^2N) \end{split}

设定一定的误差容忍限ϵ\epsilon后,需要做到如下的事情机器才可能学习:

  • 采样样本量NN足够大
  • EinE_{in}足够小
  • MM不能太大

这样一来,又一个问题接踵而来,很多假设集(比如R2R^2上直线)的MM都是无穷的啊,这样的话机器岂不是不能学习?

M从哪来

首先,先来分析下上面式子中的MM来源于哪里。 MM是假设集中所有gg的个数,但是以R2R^2上的直线为例,相当多的直线长得差不多,这样MM中的所有gg重叠了很大一部分,所以自然而然地引出了一个问题:

对于一个假设集HH,有效的MM是多少呢(揭露下,是mH(N)m_H(N)啦)?

break point与VC维

有效的假设集的个数,和假设集的break point关系很大。假设集的break point指的是:不能被假设集打散(shatter)的最小的点的个数。需要注意的是,这里不能被打散是指点的所有分布都不能被打散。

举个例子,R2R^2上的直线,3个点有可以打散的分布,也有不可以打散的分布;但是4个点的任何分布都是打不散的。所以R2R^2上的直线的break point是4。

常见的假设集及其break point如下:

假设集

break point

positive ray

2

positive intervals

3

convex sets

no

2D perceptrons

4

break point求出之后,mH(n)=O(Nk−1)m_H(n) = O(N^{k-1}),其增长率受break point的限制。

VC维是break point-1的值,物理含义是自由参数。

通过前面的计算,得到了:

P(|Ein−Eout|>ϵ)P(BAD)≤2Mexp(−2ϵ2N)≤2Mexp(−2ϵ2N)

\begin{split} &P(|E_{in}-E_{out}| > \epsilon) &\le 2M\exp(-2\epsilon^2N) \\ &P(BAD) &\le 2M\exp(-2\epsilon^2N) \end{split}

稍作变换, 即得到:

P(|Ein−Eout|>ϵ)P(BAD)≤4(2N)dvcexp(−18ϵ2N)≤4(2N)dvcexp(−18ϵ2N)

\begin{split} &P(|E_{in}-E_{out}| > \epsilon) &\le 4(2N)^{d_{vc}}\exp(-\frac{1}{8}\epsilon^2N) \\ &P(BAD) &\le 4(2N)^{d_{vc}}\exp(-\frac{1}{8}\epsilon^2N) \end{split}

设定一定的误差容忍限ϵ\epsilon后,需要做到如下的事情机器才可能学习:

  • 采样样本量NN足够大
  • EinE_{in}足够小
  • VC维不能太大

这样一来,选择合适的假设集,机器学习成为了可能。

机器什么时候可以学习

  • 潜在的模式
  • 没有明确的公式,不容易编程解决
  • 有关于模式的数据

机器怎么学习

最简单的学习方法是PLA,其假设集是h(x)=sign(wTx)h(x) = sign(w^T x)。

其算法核心是:更正错误,迭代提高。

  1. 找到在当前模型参数下wtw_t错误的数据(xn,yn)(x_n,y_n),即sign(wTtxn)≠ynsign(w_t^T x_n) \neq y_n
  2. 更正模型参数,wt+1=wt+ynxnw_{t+1} = w_t + y_n x_n

这样更正的依据是:让wTxy>0w^Txy>0,通过每次更正,保证了wTt+1xnyn≥wTtxnynw_{t+1}^T x_n y_n \ge w_t ^T x_n y_n。

PLA保证如果线性可分,那么最终模型收敛。

PLA如果线性不可分,则可设定迭代次数,每次获得新的模型,与先前模型比较,选择最优模型。

如何让机器学得更好

让机器学得更好,可参考如下几点:

  • 数据预处理
  • 合适假设集
  • 特征变换
  • 特征选择
  • 处理过拟合
  • 验证
  • 核方法
  • 集合模型
  • 特征提取

总结

理论

适用范围

公式

Hoeffding

单假设集

P(BAD)≤2exp(−2ϵ2N)P(BAD) \le 2\exp(-2\epsilon^2N)

Multi-Bin Hoeffding

MM个假设集

P(BAD)≤2Mexp(−2ϵ2N)P(BAD) \le 2M\exp(-2\epsilon^2N)

VC

假设集集合HH

P(BAD)≤4(2N)dvcexp(−18ϵ2N)P(BAD) \le 4(2N)^{d_{vc}}\exp(-\frac{1}{8}\epsilon^2N)

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

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

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 机器怎么可能学习
  • 机器确实可能会学习
  • 机器为什么可以学习
    • 机器学习的一般模式
      • 多次试验与假设集
        • M从哪来
          • break point与VC维
          • 机器什么时候可以学习
          • 机器怎么学习
          • 如何让机器学得更好
          • 总结
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档