機(jī)器學(xué)習(xí)的關(guān)鍵點(diǎn)是什么 數(shù)據(jù)量比算法還重要

　　機(jī)器學(xué)習(xí)算法可以通過概括示例來確定如何執(zhí)行重要任務(wù)。手動編程很難完成這樣的目標(biāo)，所以機(jī)器學(xué)習(xí)通常是可行且成本有效的。隨著更多數(shù)據(jù)的出現(xiàn)，可以解決更加雄心勃勃的問題。因此，機(jī)器學(xué)習(xí)被廣泛應(yīng)用于計(jì)算機(jī)真誠等領(lǐng)域。然而，開發(fā)成功的機(jī)器學(xué)習(xí)應(yīng)用程序需要大量的“黑色藝術(shù)”，這在教科書中很難找到。

　　1. 學(xué)習(xí)=表示+評價(jià)+優(yōu)化

　　所有的機(jī)器學(xué)習(xí)的算法通常包括三個組成部分：

　　表示：一個分類器必須用計(jì)算機(jī)能夠處理的一些正式語言來表示。相反，為學(xué)習(xí)者選擇一種表示方式就等同于選擇一組可以學(xué)習(xí)的分類器。這個集合被稱為學(xué)習(xí)者的假設(shè)空間。如果一個分類器不在假設(shè)空間中，它就不能被學(xué)習(xí)。一個相關(guān)的問題是：如何表示輸入，比如使用哪種特征。

　　評價(jià)：要區(qū)分好的分類器和壞的分類器，需要一個評價(jià)函數(shù)。算法內(nèi)部使用的評估函數(shù)與分類器外部使用的評價(jià)函數(shù)可能不同，其主要是為了便于優(yōu)化，以及下一節(jié)中我們要討論的問題。

　　優(yōu)化：最后，我們需要在語言的分類器中找到得分最高的一種方法。優(yōu)化技術(shù)的選擇是提高學(xué)習(xí)者效率的關(guān)鍵，同時(shí)也有助于確定分類器的評價(jià)函數(shù)是否具有多個最優(yōu)值。初學(xué)者開始的時(shí)候使用現(xiàn)成的優(yōu)化器是很常見的，不過這些優(yōu)化器會被專門設(shè)計(jì)的優(yōu)化器取代。

　　2. “泛化能力”很關(guān)鍵，“測試數(shù)據(jù)”驗(yàn)證至關(guān)重要!

　　機(jī)器學(xué)習(xí)的主要目標(biāo)是對訓(xùn)練集之外的樣本進(jìn)行泛化。因?yàn)闊o論有多少數(shù)據(jù)，都不太可能在測試中再次看到完全相同的例子。在訓(xùn)練集上具有良好表現(xiàn)很容易。機(jī)器學(xué)習(xí)初學(xué)者最常犯的錯誤是把模型放在訓(xùn)練數(shù)據(jù)中進(jìn)行測試，從而產(chǎn)生成功的錯覺。如果被選擇的分類器在新的數(shù)據(jù)上進(jìn)行測試，一般情況，結(jié)果往往和隨機(jī)猜測相差無幾。所以，如果你雇傭他人建立分類器，一定要留一些數(shù)據(jù)給你自己，以便在他們給你的分類器中進(jìn)行測試。相反，如果有人雇傭你建立一個分類器，請保留一部分?jǐn)?shù)據(jù)對你的分類器進(jìn)行最終測試。

　　3. 僅有數(shù)據(jù)是不夠的，知識相結(jié)合效果更好!

　　把泛化能力作為目標(biāo)，會又另一個后果：只有數(shù)據(jù)是不夠的，無論你擁有多少數(shù)據(jù)。這是否讓人沮喪。那么，我們怎么能奢求它學(xué)到東西呢?不過，現(xiàn)實(shí)世界中我們想學(xué)習(xí)的函數(shù)并不都是從數(shù)學(xué)上可能的函數(shù)中提取出來的!實(shí)際上，使用一般假設(shè)——例如平滑性、相似樣本有相似分類、有限的依賴性或有限復(fù)雜度——往往能做得足夠好，這也正是機(jī)器學(xué)習(xí)能如此成功的大部分原因。正如演繹一樣，歸納(訓(xùn)練模型所做的)是一個知識杠桿——它將少量知識輸入轉(zhuǎn)化為大量知識輸出。歸納是一個比演繹更為強(qiáng)大的杠桿，僅需更少的知識就能產(chǎn)出有用的結(jié)果。不過，它仍然需要大于零的知識輸入才能工作。正如任何一個杠桿一樣，輸入得越多，得到的也越多。

　　這樣回想起來，訓(xùn)練過程中對知識的需求沒什么好驚訝的。機(jī)器學(xué)習(xí)并非魔術(shù)，它無法做到無中生有，它所做的是舉一反三。如同所有的工程一樣，編程需要做大量的工作：我們必須從頭開始構(gòu)建所有的東西。訓(xùn)練的過程更像是耕種，其中大部分工作是自然完成的。農(nóng)民將種子與營養(yǎng)物質(zhì)結(jié)合起來，種植作物。訓(xùn)練模型將知識與數(shù)據(jù)結(jié)合起來，編寫程序。

　　4. “過擬合”讓機(jī)器學(xué)習(xí)效果產(chǎn)生錯覺!

　　如果我們所擁有的知識和數(shù)據(jù)不足以完全確定正確的分類器，分類器(或其中的一部分)就可能產(chǎn)生「錯覺」。所獲得的分類器并不是基于現(xiàn)實(shí)，只是對數(shù)據(jù)的隨機(jī)性進(jìn)行編碼。這個問題被稱為過擬合，是機(jī)器學(xué)習(xí)中棘手的難題。如果你的訓(xùn)練模型所輸出的分類器在訓(xùn)練數(shù)據(jù)上準(zhǔn)確率是 100%，但在測試數(shù)據(jù)上準(zhǔn)確率只有 50%，那么實(shí)際上，該分類器在兩個集合上的輸出準(zhǔn)確率總體可能約為 75%，它發(fā)生了過擬合現(xiàn)象。

　　在機(jī)器學(xué)習(xí)領(lǐng)域，人人都知道過擬合。但是過擬合有多種形式，人們往往不能立刻意識到。理解過擬合的一種方法是將泛化的誤差進(jìn)行分解，分為偏差和方差。偏差是模型不斷學(xué)習(xí)相同錯誤的傾向。而方差指的是不管真實(shí)信號如何，模型學(xué)習(xí)隨機(jī)信號的傾向。線性模型有很高的偏差，因?yàn)楫?dāng)兩個類之間的邊界不是一個超平面時(shí)，模型無法做出調(diào)整。決策樹不存在這個問題，因?yàn)樗鼈兛梢员碚魅魏尾紶柡瘮?shù)。但是另一方面，決策樹可能方差很大：如果在不同訓(xùn)練集上訓(xùn)練，生成的決策樹通常差異很大，但事實(shí)上它們應(yīng)該是相同的。

　　交叉驗(yàn)證可以幫助對抗過擬合，例如，通過使用交叉驗(yàn)證來選擇決策樹的最佳規(guī)模用于訓(xùn)練。但這不是萬能的，因?yàn)槿绻覀冇媒徊骝?yàn)證生成太多的參數(shù)選擇，它本身就會開始產(chǎn)生過擬合現(xiàn)象。

　　除交叉驗(yàn)證之外，還有很多方法可以解決過擬合問題。最流行的是在評估函數(shù)中增加一個正則化項(xiàng)。舉個例子，這樣一來就能懲罰含更多項(xiàng)的分類器，從而有利于生成參數(shù)結(jié)構(gòu)更簡單的分類器，并減少過擬合的空間。另一種方法是在添加新的結(jié)構(gòu)之前，進(jìn)行類似卡方檢驗(yàn)的統(tǒng)計(jì)顯著性檢驗(yàn)，在添加新結(jié)構(gòu)前后確定類的分布是否真的具有差異。當(dāng)數(shù)據(jù)非常少時(shí)，這些技術(shù)特別有用。盡管如此，你應(yīng)該對某種方法完美解決了過擬合問題的說法持懷疑態(tài)度。減少過擬合(方差)很容易讓分類器陷入與之相對的欠擬合誤差(偏差)中去。如果要同時(shí)避免這兩種情況，需要訓(xùn)練一個完美的分類器。在沒有先驗(yàn)信息的情況下，沒有任何一種方法總能做到最好(天下沒有免費(fèi)的午餐)。