本次記錄內容包括機器學習中的三種類型的風險函數(shù)

風險函數(shù)與損失函數(shù)的關系

統(tǒng)計學習模型旨在假設空間中尋找最佳的模型，那么需要指定一個準則來作為模型選取的評判標準。
因此引入了損失函數(shù)和風險函數(shù)。

損失函數(shù)：度量模型一次預測的好壞
風險函數(shù)：度量平均意義下的模型預測好壞

由損失函數(shù)推向風險函數(shù)

常見的損失函數(shù)：

確定了損失函數(shù)后，那么自然地損失函數(shù)越小越好，由于模型的輸入X，輸出Y 是隨機變量，遵循聯(lián)合分布P(X, Y)，所以損失函數(shù)的期望為：

（連續(xù)變量求積分，離散變量求和）

?

為什么要引入損失函數(shù)的期望呢？

原因是:人們希望模型能夠刻畫在全體樣本上的預測能力！

解釋：就目前為止，我們手頭上的數(shù)據(jù)僅僅是訓練集，想要刻畫模型對訓練集擬合的好壞，直接將單點誤差損失相加求均值即可，但是我們的模型再怎樣對訓練集擬合的好，都無濟于事，因為我們更多考慮的是模型對未知數(shù)據(jù)的擬合能力。那么如何衡量模型在全體數(shù)據(jù)集上的性能呢？自然而然，引入概率論中兩隨機變量的期望。

區(qū)別一下期望和均值：

如果我們能進行無窮次隨機實驗并計算出其樣本的平均數(shù)的話，那么這個平均數(shù)其實就是期望。當然實際上根本不可能進行無窮次實驗，但是實驗樣本的平均數(shù)會隨著實驗樣本的增多越來越接近期望，就像頻率隨著實驗樣本的增多會越來越接近概率一樣
如果說概率是頻率隨樣本趨于無窮的極限
那么期望就是平均數(shù)隨樣本趨于無窮的極限

經驗風險與期望風險

我們將上面提到的訓練集的總損失定義為經驗風險，如下所示：

?

?

將損失的期望稱為期望風險，如下所示：

?

怎樣求風險？

機器學習問題求的是條件概率，那么有人就說了，既然上面提到了兩隨機變量的聯(lián)合分布，那么我們根據(jù)條件概率-聯(lián)合概率-邊緣概率的關系豈不是可以直接求解？

其實，我們手頭無法得到全體樣本，因此，聯(lián)合概率 P(X, Y) 是無法得到的，但是根據(jù)弱大數(shù)定律，當樣本N無限大時，可用經驗風險作為期望風險的估計，也就是局部估計整體。
那么我們常說的風險最小化其實就指的是經驗風險最小化！

為何引入結構化風險？

雖然可以使用經驗損失近似估計期望風險，但是大數(shù)定理的前提是N無窮大，實際上，我們的訓練集一般不會特別大，此時就需要對經驗風險做出適當調整才能近似估計。因此引入結構風險。

結構化風險是為了緩解數(shù)據(jù)集過小而導致的過擬合現(xiàn)象，其等價于正則化，本質上反應的是模型的復雜度。認為經驗風險越小，參數(shù)越多，模型越復雜，因此引入對模型復雜度的懲罰機制。定義如下：

正則化被定義為模型復雜度的單調函數(shù)，λ用于權衡經驗風險與模型復雜度。
至此，我們認為結構風險最小化的模型是最優(yōu)模型，因此，我們的優(yōu)化問題變?yōu)?#xff1a;

?

結構化風險本質

結構化風險（正則項）其實是加入了模型參數(shù)分布的先驗知識，也就是貝葉斯學派為了將模型往人們期望的地方去發(fā)展，繼而加入了先驗分布，由于是人為的先驗，因此也就是一個規(guī)則項（這也就是正則項名稱的由來）。這樣一來，風險函數(shù)將進一步考慮了被估計量的先驗概率分布。

李航老師書中的兩個疑惑

“當模型是條件概率分布、損失函數(shù)是對數(shù)損失函數(shù)、模型復雜度由模型的先驗概率表示時，結構風險最小化就等價于最大后驗概率估計。”
證明：

?

"當模型是條件概率分布，損失函數(shù)是對數(shù)損失函數(shù)時，經驗風險最小化就等價于極大似然估計"
證明：
極大似然需滿足樣本抽樣為獨立同分布，且模型已知，對模型參數(shù)進行估計。
極大似然定義如下：

?

?

總結

以上是生活随笔為你收集整理的经验风险、期望风险、结构风险的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。