Coursera機器學習基石筆記week13
Hazard of Overfitting
What is Overfitting
hypothesis的階數越高,表示VC Dimension越大。隨著VC Dimension增大,
是一直減小的,而
先減小後增大。在
位置,
取得最小值。在
右側,隨著VC Dimension越來越大,
越來越小,接近於0,
越來越大。即當VC Dimension很大的時候,這種對訓練樣本擬合過分好的情況稱之為過擬合(overfitting)。另一方面,在
左側,隨著VC Dimension越來越小,
和
都越來越大,這種情況稱之為欠擬合(underfitting),即模型對訓練樣本的擬合度太差,VC Dimension太小了。
bad generation和overfitting的關係可以理解為:overfitting是VC Dimension過大的一個過程,bad generalization是overfitting的結果。
The Role of Noise and DataSize
首先,在二維平面上,一個模型的分佈由目標函式f(x)(x的10階多項式)加上一些noise構成,下圖中,離散的圓圈是資料集,目標函式是藍色的曲線。資料沒有完全落在曲線上,是因為加入了noise。
然後,同樣在二維平面上,另一個模型的分佈由目標函式f(x)(x的50階多項式)構成,沒有加入noise。下圖中,離散的圓圈是資料集,目標函式是藍色的曲線。可以看出由於沒有noise,資料集完全落在曲線上。
然後我們分別用一個2階多項式和10階多項式來對上面兩個資料集進行擬合,然後對於第一個資料集,產生了如下效果:
可以看出雖然10階多項式的
更好,但是
比較大了。
然後對於第二個資料集來說:
雖然10階多項式的
變得非常小,但是
變得卻非常大。
上面兩個問題中,10階模型都發生了過擬合,反而2階的模型卻表現得相對不錯。這好像違背了我們的第一感覺,比如對於目標函式是10階多項式,加上noise的模型,按道理來說應該是10階的模型更能接近於目標函式,因為它們階數相同。但是,事實卻是2階模型泛化能力更強。這種現象產生的原因,從哲學上來說,就是“以退為進”。有時候,簡單的學習模型反而能表現的更好。
從上圖可以看出,對於資料量不夠大的時候,2階多項式的表現好於10階多項式,泛化能力更好
另一個例子中,目標函式是50階多項式,且沒有加入noise。這種情況下,我們發現仍然是2階的模型擬合的效果更好一些,明明沒有noise,為什麼是這樣的結果呢?
實際上,我們忽略了一個問題:這種情況真的沒有noise嗎?其實,當模型很複雜的時候,即50階多項式的目標函式,無論是2階模型還是10階模型,都不能學習的很好,這種複雜度本身就會引入一種‘noise’。所以,這種高階無noise的問題,也可以類似於10階多項式的目標函式加上noise的情況,只是二者的noise有些許不同,下面一部分將會詳細解釋。
Deterministic Noise
上圖中,紅色越深,代表overfit程度越高,藍色越深,代表overfit程度越低。先看左邊的圖,左圖中階數 固定為20,橫座標代表樣本數量N,縱座標代表噪聲水平 。紅色區域集中在N很小或者 很大的時候,也就是說N越大, 越小,越不容易發生overfit。右邊圖中 ,橫座標代表樣本數量N,縱座標代表目標函式階數 。紅色區域集中在N很小或者 很大的時候,也就是說N越大, 越小,越不容易發生overfit。上面兩圖基本相似。
從上面的分析,我們發現 對overfit是有很大的影響的,我們把這種noise稱之為stochastic noise。同樣地, 即模型複雜度也對overfit有很大影響,而且二者影響是相似的,所以我們把這種稱之為deterministic noise。之所以把它稱為noise,是因為模型高複雜度帶來的影響。
總結一下,有四個因素會導致發生overfitting:
-
data size N ↓
-
stochastic noise ↑
-
deterministic noise ↑
-
excessive power ↑
我們剛才解釋瞭如果目標函式f(x)的複雜度很高的時候,那麼跟有noise也沒有什麼兩樣。因為目標函式很複雜,那麼再好的hypothesis都會跟它有一些差距,我們把這種差距稱之為deterministic noise。deterministic noise與stochastic noise不同,但是效果一樣。其實deterministic noise類似於一個偽隨機數發生器,它不會產生真正的隨機數,而只產生偽隨機數。它的值與hypothesis有關,且固定點x的deterministic noise值是固定的。
Dealing with Overfitting
避免overfitting的方法主要包括:
- start from simple model
- data cleaning/pruning
- data hinting
- regularization
- validataion
data cleaning/pruning就是對訓練資料集裡label明顯錯誤的樣本進行修正(data cleaning),或者對錯誤的樣本看成是noise,進行剔除(data pruning)。
data hinting是針對N不夠大的情況,如果沒有辦法獲得更多的訓練集,那麼data hinting就可以對已知的樣本進行簡單的處理、變換,從而獲得更多的樣本。舉個例子,數字分類問題,可以對已知的數字圖片進行輕微的平移或者旋轉,從而讓N豐富起來,達到擴大訓練集的目的。這種額外獲得的例子稱之為virtual examples。但是要注意一點的就是,新獲取的virtual examples可能不再是iid某個distribution。所以新構建的virtual examples要儘量合理,且是獨立同分布的。
總結
過擬合的表現就是 很小, 很大。過擬合可能會因為噪聲,資料量,過大的多項式擬合導致的。同時解決過擬合的方法也有很多,主要有start from simple model、data cleaning/pruning、data hinting、regularization、validataion等方法。