Lecture 1_Extra Classification: Probabilistic Generative Model
分类要找一个 f u n c t i o n function function 函数,输入对象 x x x 特征, 输出是该对象属于 n n n 个类别中是属于哪一个。
需要找到一个函数 f u n c t i o n function function 能够预测出 Pokemon 的属性(电、水、草,等等)
首先需要量化 Pokemon:
所以,一只 Pokemon 能够用上述 7 7 7 个属性来度量,用这 7 7 7 个数值组成的向量来表示一只 Pokemon。
为什么需要预测 Pokemon 的属性呢?—— 不同属性的 Pokemon 间存在克制关系():
假设还不了解怎么做,但之前已经学过了 r e g r e s s i o n regression regression。就把分类当作回归硬解。
举一个二分类的例子,假设输入神奇宝贝的特征 x x x,判断属于类别 1 1 1 或者类别 2 2 2,把这个当作回归问题。
然后训练模型:因为是个数值,如果数值比较接近 1 1 1,就当作类别 1 1 1,如果数值接近 − 1 -1 −1,就当做类别 2 2 2。这样做遇到什么问题?
这样用回归的方式硬训练可能会得到右图中紫色的这条。直观上就是将绿色的线偏移一点到紫色的时候,就能让右下角的那部分的值不是那么大了。但实际是绿色的才是比较好的,用回归硬训练并不会得到好结果。此时可以得出用回归的方式定义,对于分类问题来说是不适用的。
还有另外一个问题:比如多分类。类别 1 1 1 当作target1,类别 2 2 2 当作target2,类别 3 3 3 当作target3…如果这样做的话,就会认为类别 2 2 2 和类别 3 3 3 是比较接近的,认为它们是有某种关系的;认为类别 1 1 1 和类别 2 2 2 也是有某种关系的,比较接近的。但是实际上这种关系不存在,它们之间并不存在某种特殊的关系。这样是没有办法得到好的结果。
说明:假设两个盒子,各装了 5 5 5 个球,还得知随机抽一个球,抽到盒子 1 1 1 的球的概率是 2 / 3 2/3 2/3,抽到盒子 2 2 2 的球的概率是 1 / 3 1/3 1/3。从盒子中蓝色球和绿色球的分配可以得到:
现在求随机从两个盒子中抽一个球,抽到的是盒子 1 1 1 中蓝色球的概率是多少?
P ( B 1 ∣ B l u e ) = P ( B l u e ∣ B 1 ) P ( B 1 ) P ( B l u e ∣ B 1 ) P ( B 1 ) + P ( B l u e ∣ B 2 ) P ( B 2 ) = 4 5 ∗ 2 3 4 5 ∗ 2 3 + 2 5 ∗ 1 3 = 4 5 \begin{aligned} P(B_1|Blue) &= \frac{P(Blue|B_1)P(B_1)}{P(Blue|B_1)P(B_1)+P(Blue|B_2)P(B_2) } \\ & = \frac{\frac{4}{5}*\frac{2}{3}}{\frac{4}{5} * \frac{2}{3}+\frac{2}{5}*\frac{1}{3}} \\ & = \frac{4}{5} \end{aligned} P(B1∣Blue)=P(Blue∣B1)P(B1)+P(Blue∣B2)P(B2)P(Blue∣B1)P(B1)=54∗32+52∗3154∗32=54
那么,两个盒子中抽一个球,抽到的是盒子 1 1 1 中蓝色球的概率是多少?相当于从两个类别 c l a s s class class 中抽一个 x x x,抽到的是类别 1 1 1 中 x x x 的概率是多少?可以转化成,随机给出一个 x x x,那么它属于哪一个类别(属于概率相对比较大的类别)?
同理知道红色方框的值,就可以计算出给一个 x x x,它是属于哪个类型的。 P ( C 1 ∣ x ) P(C_1|x) P(C1∣x) 和 P ( C 2 ∣ x ) P(C_ 2 | x) P(C2∣x),哪个类别的概率大就属于哪个类别。接下来就需要从训练集中估测红色方框中的值。这一套想法叫做生成模型(Generative Model)。因为有了这个模型,就可以生成一个 x x x,可以计算某个 x x x 出现的概率,知道了 x x x 的分布,就可以自己产生 x x x 。
先考虑简单的二分类,水属性或者一般属性,通过训练集的数据可以计算出 P ( C 1 ) P(C_1) P(C1) 和 P ( C 2 ) P(C_2) P(C2),如图所示:
下面想计算 Pokemon 原盖海龟
是水属性的概率,即 P ( x ∣ C 1 ) P(x|C_1) P(x∣C1)。虽然知道这是一只原盖海龟
,一看就是水属性的,但是在模型中,我们输入的是一个特征向量(vector)。
也就是在水系的神奇宝贝中随机选一只,是原盖海龟
的概率。下面将训练集中 79 79 79 个水系的神奇宝贝,属性Defense
和SP Defense
进行可视化:
这里假设这 79 79 79 点是从高斯分布(Gaussian distribution)中采样的,现在需要从这 79 79 79 个点找出符合的那个高斯分布。
简单点可以把高斯分布当作一个 f u n c t i o n function function,输入就是一个向量 x x x ,输出就是选中 x x x 的概率(实际上高斯分布不等于概率,只是和概率成正比,这里简单说成概率)。 f u n c t i o n function function由期望 μ \mu μ 和协方差矩阵 Σ \varSigma Σ 决定。
上图的例子是说同样的 Σ \varSigma Σ,不同的 μ \mu μ,概率分布的最高点的位置是不同的。下图的例子是同样的 μ \mu μ,不同的 Σ \varSigma Σ,概率分布的最高点是一样的,但是离散度是不一样的。
假设通过 79 79 79 个点估测出了期望 μ \mu μ 和协方差矩阵 Σ \varSigma Σ。期望是上图中的黄色点,协方差矩阵是红色的范围。现在给一个不在 79 79 79 个点之内的新点,用刚才估测出的期望和协方差矩阵写出高斯分布的 f u n c t i o n f μ , Σ ( x ) function \ f_{μ,Σ}(x) function fμ,Σ(x),然后把 x x x 带进去,计算出被挑选出来的概率。
首先对于这 79 79 79 个点,任意期望和协方差矩阵构成的高斯分布,都可以生成这些点。当然,像上图中左边的高斯分布生成这些点,比右边高斯分布生成这些点的几率要大。那给一个 μ \mu μ 和 Σ \varSigma Σ,它生成这 79 79 79 个点的概率为图中的 L ( μ , Σ ) L(\mu,\varSigma) L(μ,Σ), L ( μ , Σ ) L(\mu,\varSigma) L(μ,Σ) 也称为样本的似然函数。
使得 L ( μ , Σ ) L(\mu,\varSigma) L(μ,Σ) 最大的 ( μ , Σ ) (\mu,\varSigma) (μ,Σ) 记做 ( μ ∗ , Σ ∗ ) (\mu^∗,\varSigma^∗) (μ∗,Σ∗) 。
算出之前水属性和一般属性 Pokemon 高斯分布的期望和协方差矩阵的最大似然估计值 μ ∗ , Σ ∗ \mu^*,\ \varSigma^* μ∗, Σ∗:
接下来,进行分类,分类结果如下:
结果不是很理想。
通常来说,不会给每个高斯分布都计算出一套不同的最大似然估计,协方差矩阵是和输入 feature 大小的平方成正比,所以当 feature 很大的时候,协方差矩阵是可以增长很快的。此时考虑到 model 参数过多,容易Overfitting,为了有效减少参数,给描述这两个类别的高斯分布相同的协方差矩阵。
此时修改似然函数为 L ( μ 1 , μ 2 , Σ ) L(μ_1,μ_2,Σ) L(μ1,μ2,Σ)。 μ 1 , μ 2 μ_1,μ_2 μ1,μ2 计算方法和上面相同,分别加起来平均即可;而 Σ Σ Σ 的计算有所不同。
这里详细的理论支持可以查看《Pattern Recognition and Machine Learning》Christopher M. Bishop 著,chapter4.2.2
右图新的结果,分类的 boundary 是线性的,所以也将这种分类叫做 linear model。如果考虑所有的属性,发现正确率提高到了 73 % 73\% 73%。
将上述问题简化为前几个系列说过的三大步:
如上图所示,将 P ( C 1 ∣ x ) P(C_1|x) P(C1∣x) 整理,得到一个 σ ( z ) σ(z) σ(z),这叫做 Sigmoid function。
接下来,求解 z z z
如上图所示,已经求得了 z z z。在实际应用中协方差矩阵是同一个矩阵,因此:
P ( C 1 ∣ x ) = σ ( w ⋅ x + b ) P(C_1|x)=σ(w⋅x+b) P(C1∣x)=σ(w⋅x+b),从这个式子也可以看出上述当共用协方差矩阵的时候,为什么分界线是线性的。
中协方差矩阵是同一个矩阵,因此:
P ( C 1 ∣ x ) = σ ( w ⋅ x + b ) P(C_1|x)=σ(w⋅x+b) P(C1∣x)=σ(w⋅x+b),从这个式子也可以看出上述当共用协方差矩阵的时候,为什么分界线是线性的。
既然这里已经化简为上述的式子,直观感受就是可以直接估测 w , b w,\ b w, b 就可以直接得到结果了。