机器学习

没有免费午餐定理和三大机器学习任务
如何对模型进行评估
K-Means(K均值聚类)原理及代码实现
KNN(K最近邻算法)原理及代码实现
KMeans和KNN的联合演习

一、一些概念

• 错误率（error rate）：在n个样本中有a个错误数据，则$E=\frac{a}{m}$ 。
• 精度（accuracy）：$Ac=(1-E)\times 100$%。
• 训练误差/经验误差（training error/empirical error）：在训练集上的误差。
• 泛化误差（generalization error）：在新样本（测试集）上的误差。
• 过拟合（overfitting）：把训练集自身的特点当作了所有潜在样本都会具有的特点。过拟合是机器学习的关键障碍，过拟合是无法避免只能缓解的。
• 欠拟合（underfitting）：对训练集的一般性质尚未学习好。

二、评估方法

测试集和训练集应该尽可能互斥。
“没有免费午餐”定理对评估方法同样适用。

表示：
D-数据集
S-训练集
T-测试集

1. 留出法(hand-out): 将 $D$ 划分为互斥的 $S$ 和 $T$ 。
即： $$D=S\cup T,S\cap T=\varnothing$$

$$E=\frac{T(err)}{size(T)}$$
$T(err)$ 是在T中错误样本的数据。

注意：
(1) 划分时应尽可能保证数据分布的一致性，避免因数据划分引入额外的偏差（采用分层抽样法）。
(2) 单词使用留出法的结果并不可靠，应该采用若干次随机划分重复进行实验评估后取均值。

缺点：
(1) $S$ 越大，训练结果越接近 $D$，但是 $T$小，评估不够准确，稳定。
(2) $T$ 大一些，$S$ 的结果不接近 $D$，降低了保真性(fidelity)。常用 $\frac{2}{3}$~$\frac{4}{5}$ 用于 $S$。

2. 交叉验证法(cross validation): 将 $D$ 划分为 $k$ 个大小相似的互斥子集。
即：
$$D=D_1\cup D_2\cup D_3\cup \dots \cup D_k,D_i\cap D_j=\varnothing (i\ne j)$$

进行 $k$ 次训练，每次用 $k-1$ 个子集作为 $S$，余下的一个子集作为 $T$。（$k$折交叉验证 k-fold cross validation）。

注意：
(1) 尽可能保证数据分布的一致性。
(2) 评估结果的稳定性和保真性在很大程度上取决于$k$值，$k$一般选用5、10、20。
(3) 单次不可靠，随机划分重复$p$次，取$p$次$k$折交叉验证结果的均值。（10次10折=训练100次）

2.1. 留一法(leave-One-Out): $m$ 是 $D$ 的大小，$k=m$ 时，得到留一法。
注意：它不受随机样本划分方式的影响。
优点：由于 $S$ 接近 $D$，所以它的评估结果比较准确。
缺点：$m$ 越大，开销越大。

3. 自助法(bootstrapping): 从$D$中多次随机可重复复制$m$个样本组成数据集 $D\prime$。（$D$ 中有一部分样本会在 $D\prime$ 中多次出现，而一部分不会出现）样本在 $m$ 次采样中，不被采集到的概率是：
$$\underset{m\to 0}{\lim }(1-\frac{1}{m}{)}^m=\frac{1}{e}\approx 0.368$$即：$D$ 中约有36.8%的样本未出现在 $D\prime$ 中。
$$S=D\prime ,T=D-D\prime$$实际评估模型和期望评估模型都使用m个样本，而有约 $\frac{1}{3}$ 的未出现在在 $S$ 中的样本用于测试——外包估计(out-of-bag estimate)。
优点：
(1) 在 $D$ 较小，难以划分 $S/T$ 时很有用。
(2) 能从 $D$ 中产生多个不同的 $S$。
缺点：
改变了 $D$ 的分布，会引入估计偏差。$D$ 足量时，留出法和交叉验证法更常用。

三、调参：

(1) 常对每个调整的参数设定一个范围和变化步长。
(2) 在模型、算法和参数选定后，用 $D$ 重新训练。