從 0 開始機(jī)器學(xué)習(xí) - 機(jī)器學(xué)習(xí)系統(tǒng)的設(shè)計(jì)與誤差分析

一、構(gòu)建算法的推薦步驟

當(dāng)我們遇到一個(gè)問題，比如預(yù)測(cè)房價(jià)，我們想要用機(jī)器學(xué)習(xí)算法來更好的解決這個(gè)問題，推薦的步驟如下：

1.1 實(shí)現(xiàn)一個(gè)簡單的算法

建議先花點(diǎn)時(shí)間實(shí)現(xiàn)一個(gè)簡單能用的算法，比如線性回歸預(yù)測(cè)房價(jià)，不需要一開始就花很多時(shí)間設(shè)計(jì)復(fù)雜的算法（在軟件開發(fā)中叫避免過早優(yōu)化）

你可以先實(shí)現(xiàn)能用的算法，然后利用上篇文章從 0 開始機(jī)器學(xué)習(xí) - 機(jī)器學(xué)習(xí)算法診斷中的學(xué)習(xí)曲線等診斷法來分析算法的優(yōu)化方向，這樣一個(gè)簡單的算法就成為了優(yōu)化問題的好工具！

1.2 分析學(xué)習(xí)曲線

有個(gè)簡單的算法后，我們就可以畫出學(xué)習(xí)曲線了，然后就可以決定下一步到底要往哪個(gè)方向做優(yōu)化：

1. 獲得更多的訓(xùn)練樣本
2. 嘗試減少特征的數(shù)量
3. 嘗試獲得更多的特征
4. 嘗試增加多項(xiàng)式特征
5. 嘗試減少正則化程度
6. 嘗試增加正則化程度
7. ...

1.3 誤差分析

假如我們有多個(gè)方向可以作為優(yōu)化的方向，比如以下的方向都可以解決模型的高方差問題：

1. 獲得更多的訓(xùn)練樣本 - 適用于高方差的模型
2. 嘗試減少特征的數(shù)量 - 適用于高方差的模型
3. 嘗試增加正則化程度 - 適用于高方差的模型

那我們又如何來評(píng)估每種方法的性能到底提升多少呢？或者說有沒有一種直接的指標(biāo)來告訴我，使用了這樣一種優(yōu)化措施后我的算法性能到底提高了多少百分比？

今天就來看看如何分析機(jī)器學(xué)習(xí)算法的誤差。

二、機(jī)器學(xué)習(xí)算法誤差分析

2.1 偏斜類問題

在介紹誤差分析指標(biāo)前，先來了解一個(gè)偏斜類問題：

訓(xùn)練集中有非常多同一類的樣本，只有很少或者沒有其他類的樣本，這樣的訓(xùn)練樣本稱為偏斜類。

比如預(yù)測(cè)癌癥是否惡性的 100 個(gè)樣本中：95 個(gè)是良性的腫瘤，5 個(gè)惡性的腫瘤，假設(shè)我們?cè)谶@個(gè)樣本上對(duì)比以下 2 種分類算法的百分比準(zhǔn)確度，即分類錯(cuò)誤的百分比：

1. 普通非機(jī)器學(xué)習(xí)算法：人為把所有的樣本都預(yù)測(cè)為良性，則分錯(cuò)了 5 個(gè)惡性的樣本，錯(cuò)誤率為 5 / 100 = 0.05 = 5%
2. 神經(jīng)網(wǎng)絡(luò)算法：訓(xùn)練后預(yù)測(cè) 100 個(gè)樣本，把 10 個(gè)良性的樣本誤分類為惡性的樣本，錯(cuò)誤率為 10 / 100 = 10%

如果僅僅從錯(cuò)誤率大小來判斷算法的優(yōu)劣是不合適的，因?yàn)榈谝环N人為設(shè)置樣本都為良性的算法不會(huì)在實(shí)際項(xiàng)目中使用，但是通過指標(biāo)卻發(fā)現(xiàn)效果比神經(jīng)網(wǎng)絡(luò)還要好，這肯定是有問題的。

正是因?yàn)榇嬖谶@么一種偏斜類的訓(xùn)練樣本，所以我們需要用一個(gè)更加一般性的算法準(zhǔn)確度評(píng)價(jià)指標(biāo)，以此適用與任何類型的樣本，解決上面那種荒唐的結(jié)論。

2.2 查準(zhǔn)率與查全率

為了解決這個(gè)問題，使用查準(zhǔn)率（Precision）和查全率（Recall）這 2 個(gè)誤差指標(biāo)，為了計(jì)算這 2 者，我們需要把算法預(yù)測(cè)的結(jié)果分為以下 4 種：

1. 正確肯定（True Positive，TP）：預(yù)測(cè)為真，實(shí)際為真
2. 正確否定（True Negative，TN）：預(yù)測(cè)為假，實(shí)際為假
3. 錯(cuò)誤肯定（False Positive，F(xiàn)P）：預(yù)測(cè)為真，實(shí)際為假
4. 錯(cuò)誤否定（False Negative，F(xiàn)N）：預(yù)測(cè)為假，實(shí)際為真

把這 4 個(gè)寫到表格里面：

然后我們就可以定義這 2 個(gè)指標(biāo)啦：

• 查準(zhǔn)率 = TP / (TP + FP)：預(yù)測(cè)為真（惡性腫瘤）的情況中，實(shí)際為真（惡性腫瘤）的比例，越高越好
• 查全率 = TP / (TP + FN)：實(shí)際為真（惡性腫瘤）的情況中，預(yù)測(cè)為真（惡性腫瘤）的比例，越高越好

有了這 2 個(gè)指標(biāo)我們?cè)賮矸治鱿律厦娴乃惴ㄐ阅?，第一個(gè)人為的算法認(rèn)為所有的腫瘤都是良性的，也就等價(jià)于原樣本中 5 個(gè)惡性的腫瘤樣本一個(gè)都沒有預(yù)測(cè)成功，也即所有惡性腫瘤樣本，該算法成功預(yù)測(cè)惡性腫瘤的比例為 0，所以查全率為 0，這說明該算法的效果并不好。

2.3 查準(zhǔn)率與查全率的整合

在實(shí)際的使用中，查準(zhǔn)率和查全率往往不能很好的權(quán)衡，要想保持兩者都很高不太容易，通過使用以下的公式來整合這 2 個(gè)評(píng)價(jià)指標(biāo)可以幫助我們直接看出一個(gè)算法的性能優(yōu)劣：

以后評(píng)價(jià)一個(gè)算法的性能直接比較 F1 Score 即可，這就大大方便了我們對(duì)比算法的性能。

三、機(jī)器學(xué)習(xí)的樣本規(guī)模

除了評(píng)價(jià)指標(biāo)，還有一個(gè)要關(guān)心的問題就是樣本的規(guī)模，在機(jī)器學(xué)習(xí)領(lǐng)域有一句話：「取得成功的人不是擁有最好算法的人，而是擁有最多數(shù)據(jù)的人」

這句話的意思就是說當(dāng)我們擁有非常多的數(shù)據(jù)時(shí)，選擇什么樣的算法不是最最重要的，一些在小樣本上表現(xiàn)不好的算法，經(jīng)過大樣本的訓(xùn)練往往也能表現(xiàn)良好。

比如下面這 4 種算法在很大樣本上訓(xùn)練后的效果相差不是很大，但是在小樣本時(shí)有挺大差距：

但在實(shí)際的機(jī)器學(xué)習(xí)算法中，為了能夠使得訓(xùn)練數(shù)據(jù)發(fā)揮最大效用，我們往往會(huì)選一個(gè)比較好的模型（不太容易欠擬合，比如神經(jīng)網(wǎng)絡(luò)），再加上很多的樣本數(shù)據(jù)（防止過擬合）

通過這 2 者就可以讓一個(gè)算法變的很強(qiáng)大，所以以后當(dāng)你設(shè)計(jì)機(jī)器學(xué)習(xí)算法的時(shí)候一定要考慮自己的樣本規(guī)模，選擇合適的模型適應(yīng)你的數(shù)據(jù)，如果你有很多很多的數(shù)據(jù)，那么可以選擇復(fù)雜一點(diǎn)的模型，不能白白浪費(fèi)你的數(shù)據(jù)！