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 >机器学习入门系列03,Error的来源:偏差和方差(bias 和 variance)

机器学习入门系列03,Error的来源:偏差和方差(bias 和 variance)

作者头像
MelonTeam
发布2018-01-04 17:48:29
6590
发布2018-01-04 17:48:29
举报
文章被收录于专栏:MelonTeam专栏MelonTeam专栏

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

E[m] = E[\frac{1}{N} \sum_{n} x^{n}] = \frac{1}{N}\sum_{n}E[x^{n}] = \mu

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):

Var[m] = \frac{\sigma^{2}}{N}

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,

m = \frac{1}{N} \sum_{n} x^{n} \neq \mu

然后再做下面计算:

s^{2} = \frac{1}{N} \sum_{n}(x^{n} - m)^{2}

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:

E[s^{2}] = \frac{N - 1}{N} \sigma^{2} \neq \sigma^{2}

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)

新博客地址:http://yoferzhang.com/post/20170327ML03BiasAndVariance

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2017-03-27,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 腾讯云自媒体分享计划  ,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
  • 回顾
  • 估测
    • 估测bias 和 variance
      • 估测变量 $x$ 的平均值
      • 估测变量 $x$ 的方差
    • 为什么会有很多的 $f^{*}$?
      • 考虑不同model的variance
      • 考虑不同model的 bias
      • bias v.s. variance
  • 怎么判断?
    • 分析
      • bias大,Underfitting
      • variance大,Overfitting
  • 选择model
    • Cross Validation(交叉验证)
      • N-fold Cross Validation(N-折交叉验证)
      相关产品与服务
      大数据
      全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
      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