机器学习模型的评估和选择

模型评估与选择

经验误差与过拟合

通常我们把分类错误的样本数占样本总数的比例称为"错误率" (error rate) ，即如果在 m 个样本中有 α 个样本分类错误，则错误率 E= α/m; 相应的， 1 - α/m 称为"精度" (accuracy) ，即"精度 =1 -错误率"更一般地，我们把学习 器的实际预测输出与样本的真实输出之间的差异称为"误差" (error), 学习器在训练集上的误差称为"训练误差" (training error)或"经验误 差" (empirical error) ，在新样本上的误差称为"泛化误差" (generalization error)。

显然，我们希望得到泛化误差小的学习器。然而，我们事先并不知道新 样本是什么样，实际能做的是努力使经验误差最小化。在很多情况下，我们可以 学得一个经验误差很小、在训练集上表现很好的学习器，例如甚至对所有训练 样本都分类正确，即分类错误率为零，分类精度为 100%，但这是不是我们想要 的学习器呢？遗憾的是，这样的学习器在多数情况下都不好。

我们实际希望的，是在新样本上能表现得很好的学习器。为了达到这个 目的，应该从训练样本中尽可能学出适用于所有潜在样本的"普遍规律"，这 样才能在遇到新样本时做出正确的判别。然而，当学习器把训练样本学得"太 好"了的时候，很可能巳经把训练样本自身的一些特点当作了所有潜在样本都 会具有的一般性质，这样就会导致泛化性能下降这种现象在机器学习中称为 "过拟合" (overfitting)。 与"过拟合"相对的是"欠拟合" (underfitting) ，这 是指对训练样本的一般性质尚未学好。

过拟合其实很好理解，就是在训练的样本数据上表现的太好，以至于学到了样本的所有的特征，但是，其他样本的特针和训练样本是不尽相同的，所以导致该学习器在测试样本上表现很差，泛化能力不强。欠拟合，就是学习的不到家，只学了1+1就想去分类10*10，错误率很高。

有多种因素可能导致过拟合，其中最常见的情况是由于学习能力过于强大， 以至于把训练样本所包含的不太一般的特性都学到了，而欠拟合则通常是由 于学习能力低下而造成的欠拟合比较容易克服，例如在决策树学习中扩展分 支、在神经网络学习中增加训练轮数等，而过拟合则很麻烦。在后面的学习中 我们将看到，过拟合是机器学习面临的关键障碍，各类学习算法都必然带有一 些针对过拟合的措施；然而必须认识到，过拟合是无法彻底避免的，我们所能做 的只是"缓解'或者说减小其风险。关于这一点，可大致这样理解:机器学习 面临的问题通常是 NP 难甚至更难，而有效的学习算法必然是在多项式时间内运行完成，若可彻底避免过拟合， 则通过经验误差最小化就能获最优解，这就意 味着我们构造性地证 明了 " P=NP" ;因此， 只要相信 "p 不等于 NP " ，过拟合就 不 可避免。

在现实任务中，我们往往有多种学习算法可供选择，甚至对同 一个学习算 法，当使用不同的参数配置时，也会产生不 同的模型 。 那么，我们该选用 哪 一个 学习算法、使用哪一种参数配置呢?这就是机器学习 中的"模型选择" (model selection) 问题。理想的解决方案当然是对候选模型的泛化误差进行 评估 ， 然后 选择泛化误差最小的那个模型。然而如上面所讨论的，我们无法直接获得泛化 误差，而训练误差又由于过拟合现象的存在而不适合作为标准，那么，在现实中 如何进行模型评估与选择呢?

评估方法

通常， 我们可通过实验测试来对学习器的泛化误差进行评估并进而做出 选 择 为此， 需使用一个 "测试集 " (testing set)来测试学习器对新样本的判别 能 力，然后 以测试集上的"测试误差" (testing error)作为泛化误差的近似。（在现实任务中往往还会考虑时间开信 销、可解释性等方面的因素，这里暂且只考虑泛化 误差）通常 我们假设测试样本也是从样本真实分布 中独立同分布采样而得但需注意 的 是，测试集应该尽可能与训练集互斥， 即测试样本尽量不在训练集中出现、未 在训练过程中使用过。 测试样本为什么要尽可能不出现在训练集中呢?为理解这一点，不妨考虑 这样一个场景:老师出了 10 道习题供同学们练习 ，考试时老师又用 同样的这 10 道题作为试题，这个考试成绩能否有效反映出同学们学得好不好呢?答案是否 定的，可能有的同学只会做这 10 道题却能得高分。回到我们的问题上来，我们希望得到泛化性能强的模型，好比是希望同学们对课程学得很好、获得了对所 学知识"举一反三"的能力；训练样本相当于给同学们练习的习题，测试过程 则相当于考试。显然，若测试样本被用作训练了，则得到的将是过于"乐观"的 估计结果。 可是，我们只有一个包含 m 个样例的数据集 D={(X1, Yl) ,(X2,Y2), … , (Xm ， Ym)} ， 既要训练，又要测试，怎样才能做到呢?答案是:通过对 D 进行适当 的处理，从中产生出训练集 S 和测试集 T. 下面介绍儿种常见的做法。

留出法

"留出法" (hold-out)直接将数据集 D 划分为两个互斥的集合，其中一个 集合作为训练集 S，另一个作为测试集 T， 即 D=SUT ，S 交T= 空。在 S 上训 练出模型后，用 T 来评估其测试误差，作为对泛化误差的估计。

以二分类任务为例，假定 D 包含 1000 个样本，将其划分为 S 包含 700 个样 本 ， T 包含 300 个样本，用 S 进行训练后，如果模型在 T 上有 90 个样本分类错 误，那么其错误率为 (90/300) x 100% 口 30%，相应的，精度为 1- 30% = 70%。

需注意的是，训练/测试集的划分要尽可能保持数据分布的一致性，避免 因数据划分过程引入额外的偏差而对最终结果产生影响，例如在分类任务中 至少要保持样本的类别比例相似。如果从来样 (sampling) 的角度来看待数据 集的划分过程，则保留类别比例的采样方式通常称为"分层采样" (stratified sampling)。例如通过对 D 进行分层采样而获得含 70% 样本的训练集 S 和含 30% 样本的测试集 T ， 若 D 包含 500 个正例、 500 个反例，则分层采样得到的 S 应包含 350 个正例、 350 个反例，而 T 则包含 150 个正例和 150 个反例；若 S、 T 中样本类别比例差别很大，则误差估计将由于训练/测试数据分布的差异 而产生偏差。

另一个需注意的问题是，即使在给定训练/测试集的样本比例后，仍存在多 种划分方式对初始数据集 D 进行分割。例如在上面的例子中，可以把 D 中的样 本排序，然后把前 350 个正例放到训练集中，也可以把最后 350 个正例放到训 练集中，……这些不同的划分将导致不同的训练/测试集，相应的模型评估的 结果也会有差别。因此，单次使用留出法得到的估计结果往往不够稳定可靠，在 使用留出法时，一般要采用若干次随机划分、重复进行实验评估后取平均值作 为留出法的评估结果。例如进行 100 次随机划分，每次产生一个训练/测试集用 于实验评估， 100 次后就得到 100 个结果，而留出法返回的则是这 100 个结果的 平均。

此外，我们希望评估的是用 D 训练出的模型的性能，但留出法需划分训练/测试集， 这就会导致一个窘境:若令训练集 S 包含绝大多数样本， 则训练出 的模型可能更接近于用 D 训练出的模型， 但由于 T 比较小，评估结果可能不够 稳定准确；若令测试集 T 多包含一些样本， 则训练集 S 与 D 差别更大了，被评 估的模型与用 D 训练出 的模型相比可能有较大差别，从而降低了评估结果的保 真性(fidelity) ，这个问题没有完美的解决方案 ， 常见做法是将大约 2/3 到 4/5 的 样本用于训练，剩余样本用于测试。

交叉验证法

"交叉验证法" (cross validation)先将数据集 D 划分为 k 个大小相似的 互斥子集， 即 D = D1 U D2υ... U Dk, Di n Dj = ø (í 不等于j ) 。每个子集 Di 都 尽可 能保持数据分布的一致性，即从 D 中 通过分层采样得到。然后，每次用 k-1 个子集的并集作为训练集，余下 的那个子集作为测试集；这样就可获得 k 组训练/测试集，从而可进行 k 次训练和测试， 最终返回的是这 k 个测试结果 的均值。显然，交叉验证法评估结果的稳定性和保真性在很大程度上取决于 k 的取值，为强调这一点，通常把交叉验证法称为 " k 折交叉验证" (k-fold cross validat ion)。k 最常用 的取值是 10，此时称为 1 0 折交叉验 证 ; 其他常用 的 k 值 有 5、 20 等。

与 留出法相似，将数据集 D 划分 为 k 个子集同样存在多种划分方式。为 减小 因样本划分不同而引入的差别 ， k 折交叉验证通常要随机使用不同的划分 重复 p 次，最终的评估结果是这 p 次 k 折交叉验证结果的均值，例如常见的有 "10 次 10 折交叉验证"。

假定数据集 D 中包含 m 个样本，若令 k=m ， 则得到了交叉验证法的 一 个特例:留一法 (Leave-One-Ot比，简称 LOO) . 显然 ， 留一法不受随机样本划分方式的影响，因为 m 个样本只有唯一的方式划分为 m 个子集一一每个子集包含 一个样本；留一法使用的训练集与初始数据集相比只少了一个样本，这就使得 在绝大多数情况下，留一法中被实际评估的模型与期望评估的用 D 训练出的模 型很相似。因此，留一法的评估结果往往被认为比较准确。然而，留一法也有其 缺陷:在数据集比较大时，训练 m 个模型的计算开销可能是难以忍受的(例如数 据集包含 1 百万个样本，则需训练 1 百万个模型)，而这还是在未考虑算法调参 的情况下。另外，留一法的估计结果也未必永远比其他评估方法准确；"没有免 费的午餐"定理对实验评估方法同样适用。

自助法

我们希望评估的是用 D 训练出的模型.但在留出法和交叉验证法中，由于 保留了一部分样本用于测试，因此实际评估的模型所使用的训练集比 D 小，这 必然会引入一些因训练样本规模不同而导致的估计偏差。留一法受训练样本规 模变化的影响较小，但计算复杂度又太高了。有没有什么办法可以减少训练样 本规模不同造成的影响，同时还能比较高效地进行实验估计呢?

"自助法" (bootstrapping)是一个比较好的解决方案，它直接以自助采样 法 (bootstrap sampling)为基础 [Efron and Tibshirani, 1993].。给定包含 m 个样 本的数据集 D ， 我们对它进行采样产生数据集 D': 每次随机从 D 中挑选一个 样本 ，将其拷贝放入 D' ，然后再将该样本放回初始数据集 D 中，使得该样本在 下次采样时仍有可能被采到；这个过程重复执行 m 次后，我们就得到了包含 m 个样本的数据集 D'，这就是自助采样的结果。显然 ， D 中有一部分样本会在 D' 中多次出现，而另一部分样本不出现。可以做一个简单的估计，样本在 m 次采 样中始终不被采到的概率是 (1 - 1/m)^m 。

即通过自助来样，初始数据集 D 中约有 36.8% 的样本未出现在采样数据集 D' 中。于是我们可将 D' 用作训练集 ， D\D' 用作测试集；这样，实际评估的模型与 期望评估的模型都使用 m 个训练、样本，而我们仍有数据总量约 1/3 的、没在训 练集中出现的样本用于测试.这样的测试结果，亦称"包外估计" (out-of-bag estimate)。

自助法在数据集较小、难以有效划分训练/测试集时很有用；此外，自助法 能从初始数据集中产生多个不同的训练集，这对集成学习等方法有很大的好处. 然而，自助法产生的数据集改变了初始数据集的分布，这会引入估计偏差。因此，在初始数据量足够时，留出法和交叉验证法更常用一些。

——本文内容来自于 周志华<机器学习>