13 -- Hazard of Overfitting

上节课我们主要介绍了非线性分类模型,通过非线性变换,将非线性模型映射到另一个空间,转换为线性模型,再来进行分类,分析了非线性变换可能会使计算复杂度增加。本节课介绍这种模型复杂度增加带来机器学习中一个很重要的问题:过拟合(overfitting)。

一、What is Overfitting?

首先,我们通过一个例子来介绍什么bad generalization。假设平面上有5个点,目标函数f(x)是2阶多项式,如果hypothesis是二阶多项式加上一些小的noise的话,那么这5个点很靠近这个hypothesis,很小。如果hypothesis是4阶多项式,那么这5点会完全落在hypothesis上,。虽然4阶hypothesis的比2阶hypothesis的要好很多,但是它的很大。因为根据VC Bound理论,阶数越大,即VC Dimension越大,就会让模型复杂度更高,更大。我们把这种很小,很大的情况称之为bad generation,即泛化能力差。

这里写图片描述

我们回过头来看一下VC曲线:

这里写图片描述

hypothesis的阶数越高,表示VC Dimension越大。随着VC Dimension增大,是一直减小的,而先减小后增大。在位置,取得最小值。在右侧,随着VC Dimension越来越大,越来越小,接近于0,越来越大。即当VC Dimension很大的时候,这种对训练样本拟合过分好的情况称之为过拟合(overfitting)。另一方面,在左侧,随着VC Dimension越来越小,都越来越大,这种情况称之为欠拟合(underfitting),即模型对训练样本的拟合度太差,VC Dimension太小了。

这里写图片描述

bad generation和overfitting的关系可以理解为:overfitting是VC Dimension过大的一个过程,bad generation是overfitting的结果。

这里写图片描述

一个好的fit,都比较小,尽管没有足够接近零;而对overfitting来说,,但是很大。那么,overfitting的原因有哪些呢?

我们举个开车的例子,把发生车祸比作成overfitting,那么造成车祸的原因包括:

  • 车速太快(VC Dimension太大);

  • 道路崎岖(noise);

  • 对路况的了解程度(训练样本数量N不够);

也就是说,VC Dimension、noise、N这三个因素是影响过拟合现象的关键。

这里写图片描述

二、The Role of Noise and Data Size

为了尽可能详细地解释overfitting,我们进行这样一个实验,试验中的数据集不是很大。首先,在二维平面上,一个模型的分布由目标函数f(x)(x的10阶多项式)加上一些noise构成,下图中,离散的圆圈是数据集,目标函数是蓝色的曲线。数据没有完全落在曲线上,是因为加入了noise。

这里写图片描述

然后,同样在二维平面上,另一个模型的分布由目标函数f(x)(x的50阶多项式)构成,没有加入noise。下图中,离散的圆圈是数据集,目标函数是蓝色的曲线。可以看出由于没有noise,数据集完全落在曲线上。

这里写图片描述

现在,有两个学习模型,一个是2阶多项式,另一个是10阶多项式,分别对上面两个问题进行建模。首先,对于第一个目标函数是10阶多项式包含noise的问题,这两个学习模型的效果如下图所示:

这里写图片描述

由上图可知,2阶多项式的学习模型;10阶多项式的学习模型。虽然10阶模型的比2阶的小,但是其要比2阶的大得多,而2阶的相差不大,很明显用10阶的模型发生了过拟合。

然后,对于第二个目标函数是50阶多项式没有noise的问题,这两个学习模型的效果如下图所示:

这里写图片描述

由上图可知,2阶多项式的学习模型;10阶多项式的学习模型。虽然10阶模型的比2阶的小,但是其要比2阶的大得多的多,而2阶的相差不大,很明显用10阶的模型仍然发生了明显的过拟合。

上面两个问题中,10阶模型都发生了过拟合,反而2阶的模型却表现得相对不错。这好像违背了我们的第一感觉,比如对于目标函数是10阶多项式,加上noise的模型,按道理来说应该是10阶的模型更能接近于目标函数,因为它们阶数相同。但是,事实却是2阶模型泛化能力更强。这种现象产生的原因,从哲学上来说,就是“以退为进”。有时候,简单的学习模型反而能表现的更好。

下面从learning curve来分析一下具体的原因,learning curve描述的是随着数据量N的变化趋势。下图中左边是2阶学习模型的learning curve,右边是10阶学习模型的learning curve。

这里写图片描述

我们的第9次课的笔记 NTU林轩田机器学习基石课程学习笔记9 – Linear Regression已经介绍过了learning curve。在learning curve中,横轴是样本数量N,纵轴是Error。可表示为:

其中d为模型阶次,左图中d=2,右图中d=10。

本节的实验问题中,数据量N不大,即对应于上图中的灰色区域。左图的灰色区域中,因为d=2,相对来说比较接近;右图中的灰色区域中,d=10,根据的表达式,很小,而很大。这就解释了之前2阶多项式模型的更接近,泛化能力更好。

值得一提的是,如果数据量N很大的时候,上面两图中都比较接近,但是对于高阶模型,z域中的特征很多的时候,需要的样本数量N很大,且容易发生维度灾难。关于维度灾难的详细生动解释,请参考我另一篇博文:

机器学习中的维度灾难

另一个例子中,目标函数是50阶多项式,且没有加入noise。这种情况下,我们发现仍然是2阶的模型拟合的效果更好一些,明明没有noise,为什么是这样的结果呢?

实际上,我们忽略了一个问题:这种情况真的没有noise吗?其实,当模型很复杂的时候,即50阶多项式的目标函数,无论是2阶模型还是10阶模型,都不能学习的很好,这种复杂度本身就会引入一种‘noise’。所以,这种高阶无noise的问题,也可以类似于10阶多项式的目标函数加上noise的情况,只是二者的noise有些许不同,下面一部分将会详细解释。

三、Deterministic Noise

下面我们介绍一个更细节的实验来说明 什么时候小心overfit会发生。假设我们产生的数据分布由两部分组成:第一部分是目标函数f(x),阶多项式;第二部分是噪声,服从Gaussian分布。接下来我们分析的是noise强度不同对overfitting有什么样的影响。总共的数据量是N。

这里写图片描述

那么下面我们分析不同的对overfit的影响。overfit可以量化为。结果如下:

这里写图片描述

上图中,红色越深,代表overfit程度越高,蓝色越深,代表overfit程度越低。先看左边的图,左图中阶数固定为20,横坐标代表样本数量N,纵坐标代表噪声水平。红色区域集中在N很小或者很大的时候,也就是说N越大,越小,越不容易发生overfit。右边图中,横坐标代表样本数量N,纵坐标代表目标函数阶数。红色区域集中在N很小或者很大的时候,也就是说N越大,越小,越不容易发生overfit。上面两图基本相似。

从上面的分析,我们发现对overfit是有很大的影响的,我们把这种noise称之为stochastic noise。同样地,即模型复杂度也对overfit有很大影响,而且二者影响是相似的,所以我们把这种称之为deterministic noise。之所以把它称为noise,是因为模型高复杂度带来的影响。

总结一下,有四个因素会导致发生overfitting:

  • data size N

  • stochastic noise

  • deterministic noise

  • excessive power

我们刚才解释了如果目标函数f(x)的复杂度很高的时候,那么跟有noise也没有什么两样。因为目标函数很复杂,那么再好的hypothesis都会跟它有一些差距,我们把这种差距称之为deterministic noise。deterministic noise与stochastic noise不同,但是效果一样。其实deterministic noise类似于一个伪随机数发生器,它不会产生真正的随机数,而只产生伪随机数。它的值与hypothesis有关,且固定点x的deterministic noise值是固定的。

四、Dealing with Overfitting

现在我们知道了什么是overfitting,和overfitting产生的原因,那么如何避免overfitting呢?避免overfitting的方法主要包括:

  • start from simple model

  • data cleaning/pruning

  • data hinting

  • regularization

  • validataion

这几种方法类比于之前举的开车的例子,对应如下:

这里写图片描述

regularization和validation我们之后的课程再介绍,本节课主要介绍简单的data cleaning/pruning和data hinting两种方法。

data cleaning/pruning就是对训练数据集里label明显错误的样本进行修正(data cleaning),或者对错误的样本看成是noise,进行剔除(data pruning)。data cleaning/pruning关键在于如何准确寻找label错误的点或者是noise的点,而且如果这些点相比训练样本N很小的话,这种处理效果不太明显。

data hinting是针对N不够大的情况,如果没有办法获得更多的训练集,那么data hinting就可以对已知的样本进行简单的处理、变换,从而获得更多的样本。举个例子,数字分类问题,可以对已知的数字图片进行轻微的平移或者旋转,从而让N丰富起来,达到扩大训练集的目的。这种额外获得的例子称之为virtual examples。但是要注意一点的就是,新获取的virtual examples可能不再是iid某个distribution。所以新构建的virtual examples要尽量合理,且是独立同分布的。

五、总结

本节课主要介绍了overfitting的概念,即当很小,很大的时候,会出现overfitting。详细介绍了overfitting发生的四个常见原因data size N、stochastic noise、deterministic noise和excessive power。解决overfitting的方法有很多,本节课主要介绍了data cleaning/pruning和data hinting两种简单的方法,之后的课程将会详细介绍regularization和validataion两种更重要的方法。

注明:

文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程

results matching ""

    No results matching ""