干货︱机器学习中防止过拟合的处理方法
我們都知道，在進行數據挖掘或者機器學習模型建立的時候，因為在統計學習中，假設數據滿足獨立同分布（i.i.d，independently and identically distributed），即當前已產生的數據可以對未來的數據進行推測與模擬，因此都是使用歷史數據建立模型，即使用已經產生的數據去訓練，然后使用該 模型去擬合未來的數據。但是一般獨立同分布的假設往往不成立，即數據的分布可能會發生變化（distribution drift），并且可能當前的數據量過少，不足以對整個數據集進行分布估計，因此往往需要防止模型過擬合，提高模型泛化能力。而為了達到該目的的最常見方 法便是：正則化，即在對模型的目標函數（objective function）或代價函數（cost function）加上正則項。
在對模型進行訓練時，有可能遇到訓練數據不夠，即訓練數據無法對整個數據的分布進行估計的時候，或者在對模型進行過度訓練（overtraining）時，常常會導致模型的過擬合（overfitting）。如下圖所示：
<img title="" src="https://img-blog.csdn.net/20151026205032330" alt="這里寫圖片描述" http:="" dataunion.org="" wp-c""="" themes="" yzipi="" images="" imgbg.gif"="" border="0" style="word-wrap: break-word; margin: 0px auto; padding: 0px; border: 0px; height: auto; width: auto; max-width: 825px; display: block;">) no-repeat;">
通過上圖可以看出，隨著模型訓練的進行，模型的復雜度會增加，此時模型在訓練數據集上的訓練誤差會逐漸減小，但是在模型的復雜度達到一定程度時，模型 在驗證集上的誤差反而隨著模型的復雜度增加而增大。此時便發生了過擬合，即模型的復雜度升高，但是該模型在除訓練集之外的數據集上卻不work。
為了防止過擬合，我們需要用到一些方法，如：early stopping、數據集擴增（Data augmentation）、正則化（Regularization）、Dropout等。
Early stopping
對模型進行訓練的過程即是對模型的參數進行學習更新的過程，這個參數學習的過程往往會用到一些迭代方法，如梯度下降（Gradient descent）學習算法。Early stopping便是一種迭代次數截斷的方法來防止過擬合的方法，即在模型對訓練數據集迭代收斂之前停止迭代來防止過擬合。
Early stopping方法的具體做法是，在每一個Epoch結束時（一個Epoch集為對所有的訓練數據的一輪遍歷）計算validation data的accuracy，當accuracy不再提高時，就停止訓練。這種做法很符合直觀感受，因為accurary都不再提高了，在繼續訓練也是無 益的，只會提高訓練的時間。那么該做法的一個重點便是怎樣才認為validation accurary不再提高了呢？并不是說validation accuracy一降下來便認為不再提高了，因為可能經過這個Epoch后，accuracy降低了，但是隨后的Epoch又讓accuracy又上去 了，所以不能根據一兩次的連續降低就判斷不再提高。一般的做法是，在訓練的過程中，記錄到目前為止最好的validation accuracy，當連續10次Epoch（或者更多次）沒達到最佳accuracy時，則可以認為accuracy不再提高了。此時便可以停止迭代了 （Early Stopping）。這種策略也稱為“No-improvement-in-n”，n即Epoch的次數，可以根據實際情況取，如10、20、30……
數據集擴增
在數據挖掘領域流行著這樣的一句話，“有時候往往擁有更多的數據勝過一個好的模型”。因為我們在使用訓練數據訓練模型，通過這個模型對將來的數 據進行擬合，而在這之間又一個假設便是，訓練數據與將來的數據是獨立同分布的。即使用當前的訓練數據來對將來的數據進行估計與模擬，而更多的數據往往估計 與模擬地更準確。因此，更多的數據有時候更優秀。但是往往條件有限，如人力物力財力的不足，而不能收集到更多的數據，如在進行分類的任務中，需要對數據進 行打標，并且很多情況下都是人工得進行打標，因此一旦需要打標的數據量過多，就會導致效率低下以及可能出錯的情況。所以，往往在這時候，需要采取一些計算 的方式與策略在已有的數據集上進行手腳，以得到更多的數據。
通俗得講，數據機擴增即需要得到更多的符合要求的數據，即和已有的數據是獨立同分布的，或者近似獨立同分布的。一般有以下方法：
- 從數據源頭采集更多數據
- 復制原有數據并加上隨機噪聲
- 重采樣
- 根據當前數據集估計數據分布參數，使用該分布產生更多數據等
正則化方法
正則化方法是指在進行目標函數或代價函數優化時，在目標函數或代價函數后面加上一個正則項，一般有L1正則與L2正則等。
- L1正則
L1正則是基于L1范數，即在目標函數后面加上參數的L1范數和項，即參數絕對值和與參數的積項，即：
C=C0+λn∑w|w|其中C0代表原始的代價函數，n是樣本的個數，λ就是正則項系數，權衡正則項與C0項的比重。后面那一項即為L1正則項。
?C?w=?C0?w+λnsgn(w)
在計算梯度時，w的梯度變為：其中，sgn是符號函數，那么便使用下式對參數進行更新：
w:=w+α?C0?w+βλnsgn(w)對于有些模型，如線性回歸中（L1正則線性回歸即為Lasso回歸），常數項b的更新方程不包括正則項，即：
b:=b+α?C0?b其中，梯度下降算法中，α<0,β<0，而在梯度上升算法中則相反。
sgn(w)|w>0=1,sgn(w)|w<0=?1,sgn(w)|w=0=0
從上式可以看出，當w為正時，更新后w會變小；當w為負時，更新后w會變大；因此L1正則項是為了使得那些原先處于零（即|w|≈0）附近的參數w往零移動，使得部分參數為零，從而降低模型的復雜度（模型的復雜度由參數決定），從而防止過擬合，提高模型的泛化能力。
其中，L1正則中有個問題，便是L1范數在0處不可導，即|w|在0處不可導，因此在w為0時，使用原來的未經正則化的更新方程來對w進行更新，即令sgn(0)=0，這樣即： - L2正則
L2正則是基于L2范數，即在目標函數后面加上參數的L2范數和項，即參數的平方和與參數的積項，即：
C=C0+λ2n∑ww2其中C0代表原始的代價函數，n是樣本的個數，與L1正則化項前面的參數不同的是，L2項的參數稱了12，是為了便于計算以及公式的美感性，因為平方項求導有個2，λ就是正則項系數，權衡正則項與C0項的比重。后面那一項即為L2正則項。
w:=w+α?C0?w+βλnw
L2正則化中則使用下式對模型參數進行更新：對于有些模型，如線性回歸中（L2正則線性回歸即為Ridge回歸，嶺回歸），常數項b的更新方程不包括正則項，即：
b:=b+α?C0?b其中，梯度下降算法中，α<0,β<0，而在梯度上升算法中則相反。
λm∑w|w| λ2m∑ww2
從上式可以看出，L2正則項起到使得參數w變小加劇的效果，但是為什么可以防止過擬合呢？一個通俗的理解便是：更小的參數值w意味著模型的復雜度更低，對訓練數據的擬合剛剛好（奧卡姆剃刀），不會過分擬合訓練數據，從而使得不會過擬合，以提高模型的泛化能力。
在這里需要提到的是，在對模型參數進行更新學習的時候，有兩種更新方式，mini-batch （部分增量更新）與 full-batch（全增量更新），即在每一次更新學習的過程中（一次迭代，即一次epoch），在mini-batch中進行分批處理，先使用一部分 樣本進行更新，然后再使用一部分樣本進行更新。直到所有樣本都使用了，這次epoch的損失函數值則為所有mini batch的平均損失值。設每次mini batch中樣本個數為m，那么參數的更新方程中的正則項要改成：而full-batch即每一次epoch中，使用全部的訓練樣本進行更新，那么每次的損失函數值即為全部樣本的誤差之和。更新方程不變。
- 總結
正則項是為了降低模型的復雜度，從而避免模型區過分擬合訓練數據，包括噪聲與異常點（outliers）。從另一個角度上來講，正則化即是假設模型參 數服從先驗概率，即為模型參數添加先驗，只是不同的正則化方式的先驗分布是不一樣的。這樣就規定了參數的分布，使得模型的復雜度降低（試想一下，限定條件 多了，是不是模型的復雜度降低了呢），這樣模型對于噪聲與異常點的抗干擾性的能力增強，從而提高模型的泛化能力。還有個解釋便是，從貝葉斯學派來看：加了 先驗，在數據少的時候，先驗知識可以防止過擬合；從頻率學派來看：正則項限定了參數的取值，從而提高了模型的穩定性，而穩定性強的模型不會過擬合，即控制 模型空間。
另外一個角度，過擬合從直觀上理解便是，在對訓練數據進行擬合時，需要照顧到每個點，從而使得擬合函數波動性非常大，即方差大。在某些小區間里，函數 值的變化性很劇烈，意味著函數在某些小區間里的導數值的絕對值非常大，由于自變量的值在給定的訓練數據集中的一定的，因此只有系數足夠大，才能保證導數的 絕對值足夠大。如下圖（引用知乎）：
另外一個解釋，規則化項的引入，在訓練（最小化cost）的過程中，當某一維的特征所對應的權重過大時，而此時模型的預測和真實數據之間距離很小，通 過規則化項就可以使整體的cost取較大的值，從而，在訓練的過程中避免了去選擇那些某一維（或幾維）特征的權重過大的情況，即過分依賴某一維（或幾維） 的特征（引用知乎）。
L2與L1的區別在于，L1正則是拉普拉斯先驗，而L2正則則是高斯先驗。它們都是服從均值為0，協方差為1λ。當λ=0時，即沒有先驗）沒有正則項，則相當于先驗分布具有無窮大的協方差，那么這個先驗約束則會非常弱，模型為了擬合所有的訓練集數據， 參數w可以變得任意大從而使得模型不穩定，即方差大而偏差小。λ越大，標明先驗分布協方差越小，偏差越大，模型越穩定。即，加入正則項是在偏差bias與方差variance之間做平衡tradeoff（來自知乎）。下圖即為L2與L1正則的區別：
上圖中的模型是線性回歸，有兩個特征，要優化的參數分別是w1和w2，左圖的正則化是L2，右圖是L1。藍色線就是優化過程中遇到的等高線，一圈代表一個 目標函數值，圓心就是樣本觀測值（假設一個樣本），半徑就是誤差值，受限條件就是紅色邊界（就是正則化那部分），二者相交處，才是最優參數。可見右邊的最 優參數只可能在坐標軸上，所以就會出現0權重參數，使得模型稀疏。
其實拉普拉斯分布與高斯分布是數學家從實驗中誤差服從什么分布研究中得來的。一般直觀上的認識是服從應該服從均值為0的對稱分布，并且誤差大的頻率低，誤差小的頻率高，因此拉普拉斯使用拉普拉斯分布對誤差的分布進行擬合，如下圖：
而拉普拉斯在最高點，即自變量為0處不可導，因為不便于計算，于是高斯在這基礎上使用高斯分布對其進行擬合，如下圖：
具體參見：正態分布的前世今生
Dropout
正則是通過在代價函數后面加上正則項來防止模型過擬合的。而在神經網絡中，有一種方法是通過修改神經網絡本身結構來實現的，其名為Dropout。該方法是在對網絡進行訓練時用一種技巧（trike），對于如下所示的三層人工神經網絡：
<img title="" src="https://img-blog.csdn.net/20151026204937425" alt="這里寫圖片描述" http:="" dataunion.org="" wp-c""="" themes="" yzipi="" images="" imgbg.gif"="" border="0" style="word-wrap: break-word; margin: 0px auto; padding: 0px; border: 0px; height: auto; width: auto; max-width: 825px; display: block;">) no-repeat;">
對于上圖所示的網絡，在訓練開始時，隨機得刪除一些（可以設定為一半，也可以為1/3，1/4等）隱藏層神經元，即認為這些神經元不存在，同時保持輸入層與輸出層神經元的個數不變，這樣便得到如下的ANN：
<img title="" src="https://img-blog.csdn.net/20151026204952319" alt="這里寫圖片描述" http:="" dataunion.org="" wp-c""="" themes="" yzipi="" images="" imgbg.gif"="" border="0" style="word-wrap: break-word; margin: 0px auto; padding: 0px; border: 0px; height: auto; width: auto; max-width: 825px; display: block;">) no-repeat;">
然后按照BP學習算法對ANN中的參數進行學習更新（虛線連接的單元不更新，因為認為這些神經元被臨時刪除了）。這樣一次迭代更新便完成了。下一次迭代中，同樣隨機刪除一些神經元，與上次不一樣，做隨機選擇。這樣一直進行瑕疵，直至訓練結束。
Dropout方法是通過修改ANN中隱藏層的神經元個數來防止ANN的過擬合。具體可參見這里。
本文來自網絡一只鳥的天空博客。
微信原文：http://mp.weixin.qq.com/s?__biz=MzA3NDkyNTc4Ng==&mid=402674815&idx=2&sn=e83cf2e04b4f031cc84fadaac14a28e9&scene=4
http://bbs.pinggu.org/thread-4443755-1-1.html
總結
以上是生活随笔為你收集整理的干货︱机器学习中防止过拟合的处理方法的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 机器学习经典书籍小结
- 下一篇： Neural Networks神经网络编