【吃瓜之旅】第一二章吃瓜学习

【吃瓜之旅】本系列是针对datawhale《吃瓜教程-西瓜书和南瓜书》的学习笔记。本次是对西瓜书第一二章的个人学习总结。第一章对机器学习做整体介绍，第二章介绍如何评价机器学习算法。整体来说这两章会融会贯通到整本书，而且难度也不小。确实如文睿大佬所说需要学完后回头再认真看看。目前已经看完了，就在这简单做做总结方便回顾复习。

第一章：绪论

1.1引言

引言通过人类经验对事情预判引入，点明机器学习的目的：利用计算机通过对数据总结“模型”，应用“模型”做判断。

1.2基本术语

这个略，看到后面就明白了。

1.3假设空间

是对一个问题做了全集讨论，比如挑西瓜，有“色泽”、“根蒂”、“巧声”三个指标，每个指标有三个值。然后假设空间为4*4*4+1。每个3+1。多的这个一代表任意都可以，最后加的1代表空集。感叹考虑的真全面。接下来可能有些假设空间冲突，引入版本空间问题。带入到归纳偏好问题中。

1.4归纳偏好

个人理解就是，两个那都觉得挺好的瓜，教你怎么挑。（挑完发现自己白努力了）。治好了我的选择困难。

主要有归纳偏好的原则：“奥卡姆剃刀”，以简单为准。

然后又提出“如何定义简单”这个问题。

接着书里面的骚操作就来了，选了二分类问题证明其实怎么努力其实都可能差不多（数学期望相等）。即“没有免费的午餐”NFL。最后还是到选瓜中，有些瓜看起来一样好，但是其中一个可能并不常见。应该把做归纳偏好的中心放在研究的问题本身上，而不是想怎么挑方法的问题。昨天就和女朋友讲其实有很多很好的女生，但是和她在一起就很放松，很合适自己。

1.5发展历程

历史课。将一些机器学的发展融到一起，像七龙珠，这节是合在一起。后面每一颗都散在各个章节。首先介绍机器学习各个时期的情况。然后介绍代表性工作，学术组织。然后总写机器学习的各种划分。接着对每一种介绍：“从样例中学习”——决策树、“连接主义学习”——BP算法、“统计学习”——SVM、“深度学习”。

1.6应用现状

分支学科应用、交叉学科应用，通过重要组织介绍机器学习的重要性，阐述了数据挖掘中机器学习、数据库是左膀右臂，统计学为数据挖掘提供思想。介绍经典应用：互联网搜索、自动驾驶、竞选核武器、深入理解“人类如何学习”的问题。

1.7阅读材料

介绍了很多机器学习的相关知识。包括入门材料、本书的参考文献、启蒙思想概念学习、学科原则、相关优质会议及刊物。

第二章：模型评估与选择

2.1经验误差与过拟合

介绍泛化能力的概念。

基本评价指标错误率、精度。

过拟合：训练模型过度，但对原本数据集的预测很好。

欠拟合：训练不足，欠练。

由于P≠NP的存在，预测数据不完全相等，过拟合问题会一直存在。

2.2评估方法

为了得到更客观，更接近真实的了解到模型的泛化能力需要有评估方法支撑。

2.2.1留出法

数据集分成训练集和测试集两块。注意要均匀分层保证数据一致性。保证质量一般会将训练集控制在2/3~4/5。

2.2.2交叉验证

 数据切片，例如分为K片，每一片都可以做测试集，剩下的当训练集。最后验证结果（误差率/acc）取均值。

有个留一法，每个元素作为Ki……计算量太大了，因为NFL也未必好。

2.2.3自助法

自己给自己做饭，每天都是炒鸡蛋。

对于数据量较少时比较好的方法，把数据随机抽出后放回数据集。反复抽组成一个和原数据集规模相同，但每次做出来的数据都不同的数据集。大概每次都会留下1/3的数据未被抽到。

2.2.4调参与最终模型

每个参数调节压力会很大，不过调好了对模型有很大帮助。

可以将测试集再区分，分为验证集和测试集。验证集只用来做模型选择和调参。在用测试集训练好模型后，需要用全量数据（测试集+训练集）对模型训练得到最终的模型。

2.3性能度量

对于回归任务：

对于分类任务： 

2.3.2 查准率、查全率与F1：

针对“挑出来的多少是好瓜”、“所有好瓜有多少挑出来了”这些问题引出查准率、查全率指标。更进一步刻画模型好坏。

混淆矩阵

最好的模型时P、R双高。也就是TP=TP+FN=TP+FP  全是好瓜，全部挑出。P=R=1

引入P-R曲线，一般两个算法形成包含情况，最外层的算法更好。

如果有交叉，引入“平衡点”即看P=R的值谁大，更精确引入F1。

  

对于查准率和查全率有侧重，引入Fβ。对于多个二分类混淆矩阵，引入宏F1（对P、R做平均）、微F1（对元素做平均）。

2.3.3 ROC与AUC

根据分类中会出现分类阈值，更好的体现模型的泛化能力，观察“期望泛化性能”。引入ROC曲线。ROC横纵坐标为“真正例率（TPR）”和“假证例率（FPR）”

 

 判断模型间ROC好坏，如果包得住选最外层，如果交叉选面积最大。

2.3.4 代价敏感错误率与代价曲线

结合对于NP、NF代价不同产生的评价标准。比如NP扣一分，NF扣10分。

2.4比较检验

研究模型间泛化性能统计意义上的性能优越度量。

……检验不出来

2.5偏差与方差

研究泛化误差的组成：偏差、方差、噪声。