公眾號：尤而小屋
作者：Peter
編輯：Peter

大家好，我是Peter~

本文主要機器學(xué)習(xí)的一些基本內(nèi)容，包含：

1. 除了分類和回歸之外的其他機器學(xué)習(xí)形式
2. 評估機器學(xué)習(xí)模型的規(guī)范流程
3. 為深度學(xué)習(xí)準備數(shù)據(jù)
4. 特征工程
5. 解決過擬合
6. 處理機器學(xué)習(xí)問題的通用流程

[圖片上傳失敗...(image-e54094-1648963990881)]

機器學(xué)習(xí)4個分支

監(jiān)督學(xué)習(xí)supervised learning

最常見的機器學(xué)習(xí)類型。給定一組樣本（通常是人工標準），它可以學(xué)會將數(shù)據(jù)映射到已知目標（也叫標注）。監(jiān)督學(xué)習(xí)廣泛應(yīng)用到光學(xué)字符識別、語音識別、圖像分類和語言翻譯。

監(jiān)督學(xué)習(xí)除了回歸和分類，還有其他變體：

1. 序列生成
2. 語法樹預(yù)測
3. 目標檢測
4. 圖像分割

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)是指在沒有目標的情況下尋找輸入數(shù)據(jù)的有趣變換，目的是在于數(shù)據(jù)可視化、數(shù)據(jù)壓縮、數(shù)據(jù)去噪或者更好地理解數(shù)據(jù)中的相關(guān)性。

主要是降維和聚類

自監(jiān)督學(xué)習(xí)

自監(jiān)督學(xué)習(xí)是監(jiān)督學(xué)習(xí)的特例。自監(jiān)督學(xué)習(xí)可以看做是沒有人工標注的標簽的監(jiān)督學(xué)習(xí)。

標簽是仍然存在的，但是他們是從輸入數(shù)據(jù)中生成的，通常是使用啟發(fā)式算法生成的。

一個常見的例子就是：自編碼器autoencoder，其目標就是未經(jīng)修改的輸入。

給定視頻中過去的幀來預(yù)測下一幀，或者給定文本中前面的詞語來預(yù)測下一個次，都是屬于自監(jiān)督學(xué)習(xí)的例子（這兩個例子是時序監(jiān)督學(xué)習(xí)的例子）

強化學(xué)習(xí)

強化學(xué)習(xí)是因為谷歌的DeepMind公司將其成功應(yīng)用于學(xué)習(xí)完Atari游戲（還有圍棋阿爾法狗）中，才開始被廣泛關(guān)注。

在強化學(xué)習(xí)中，智能體agent接收有關(guān)其環(huán)境的信息，并學(xué)會選擇使其某種獎勵最大化的行動。

分類和回歸術(shù)語

總結(jié)一下回歸和分類中常出現(xiàn)的術(shù)語：

1. 樣本、輸入：進入模型的數(shù)據(jù)點
2. 預(yù)測、輸出：從模型出來的結(jié)果
3. 目標：真實值。對于外部數(shù)據(jù)源，理想狀態(tài)下，模型能夠預(yù)測出真實值
4. 預(yù)測誤差、損失值：預(yù)測值和真實值之間的距離
5. 類別：分類問題中供選擇的一組標簽。比如對貓狗圖像進行分類時，貓和狗就是標簽
6. 標簽：分類問題中類別標注的具體例子。比如1234號圖像被標注為包含類別狗，那么“狗”就是1234號圖像的標簽
7. 真實值和標注：數(shù)據(jù)集的所有目標。通常是人工收集
8. 二分類：一種分類任務(wù)，每個輸入樣本應(yīng)該被劃分到兩個互斥的類別中
9. 多分類：一種分類任務(wù)，每個輸入樣本應(yīng)該被劃分到多個不同的類別中，比如手寫數(shù)字分類
10. 多標簽分類：一種分類任務(wù)，每個輸入樣本都可以分配多個標簽。比如一幅圖像中既有貓又有狗，那么應(yīng)該同時標注貓標簽和狗標簽。每幅圖像的標簽個數(shù)通常是可變的。
11. 標量回歸：目標是連續(xù)標量值的任務(wù)。比如預(yù)測房價
12. 向量回歸：目標是一組連續(xù)值（比如一個連續(xù)變量）的任務(wù)。如果對多個值進行回歸，就是向量回歸
13. 小批量或批量：模型同時處理的一小部分樣本，通常是8-128.樣本數(shù)通常是2的冪，方便CPU上的內(nèi)存分配。訓(xùn)練時，小批量用來為模型權(quán)重計算一次梯度下降更新。

評估機器學(xué)習(xí)的模型

機器學(xué)習(xí)的目的是得到可以泛化的模型：在前所未見的數(shù)據(jù)集上也能夠表現(xiàn)的很好，而過擬合則是核心難點。

3大數(shù)據(jù)集

評估模型的重點是將數(shù)據(jù)劃分為：訓(xùn)練集、驗證集和測試集

• 訓(xùn)練集：訓(xùn)練模型
• 驗證集：評估模型
• 測試集：最后一次的測試

模型一定不能讀取與測試集任何相關(guān)的信息，即使是間接讀取也不行。3大經(jīng)典評估方法：

1. 簡單的留出驗證
2. K折驗證
3. 帶有打亂數(shù)據(jù)的重復(fù)K折驗證

3大評估方法

簡單的留出驗證（hold-out validation）

留出一定的比例的數(shù)據(jù)作為測試集，在剩余的數(shù)據(jù)集上訓(xùn)練數(shù)據(jù)，然后在測試集上評估模型。

為了防止信息泄露，我們不能基于測試集來調(diào)節(jié)模型，必須保留一個驗證集。

[圖片上傳失敗...(image-d1ab26-1648963990881)]

# 代碼實現(xiàn)

num_validation_samples = 10000

# 打亂數(shù)據(jù)
np.random.shuffle(data)

validation_data = data[:num_validation_samples]  # 驗證集

data = data[num_validation_samples:]  
train_data = data   # 訓(xùn)練集

model = get_model()
model.train(train_data)  # 訓(xùn)練集訓(xùn)練模型

validation_score = model.evaluate(validation_data)  # 驗證集上評估模型

# 調(diào)節(jié)模型、重新訓(xùn)練、評估，然后再次調(diào)節(jié)，最后在測試集上評估
model = get_model()
# 將訓(xùn)練集和驗證合并起來進行重新訓(xùn)練
model.train(np.concatenate([train_data,validation_data]))
# 測試集上進行評估
test_score = model.evaluate(test_data)

一個缺點：如果可用的數(shù)據(jù)很少，可能驗證集和測試集包含的樣本很少，從而無法從統(tǒng)計學(xué)上代表數(shù)據(jù)。

因此就有了K折驗證和重復(fù)的K折驗證來解決這個問題。

K折驗證

使用K折交叉驗證的基本原來：

• 將數(shù)據(jù)劃分為K個分區(qū)，通常是4或者5
• 實例化K個模型，將模型在K-1個分區(qū)上訓(xùn)練，剩下的一個區(qū)上進行評估
• 模型的驗證分數(shù)等于K個驗證分數(shù)的均值。

如何K折交叉驗證：以3折交叉驗證為例

[圖片上傳失敗...(image-af9285-1648963990881)]

# 代碼實現(xiàn)

k = 4

num_validation_samples = len(data) // k
# 隨機打亂數(shù)據(jù)
np.random.shuffle(data)

validation_scores = []

for fold in range(k):
    # 驗證集
    validation_data = data[fold * num_validation_samples: (fold + 1) * num_validation_samples]
    # 訓(xùn)練集
    train_data = data[: fold * num_validation_samples] + data[(fold + 1) * num_validation_samples:]

    model = get_model()
    model.train(train_data)

    validation_score = model.evaluate(validation_data)  # 每個驗證集上的得分
    validation_scores.append(validation_score)  # 放到列表中

validation_score = np.average(validation_scores)  # K折驗證的均值

model = get_model()
model.train(data)  # data = train_data + validation_data  所有非測試集上進行訓(xùn)練
test_score = model.evaluate(test_data)  #  測試集上進行評估

帶有打亂數(shù)據(jù)的K折驗證

如果數(shù)據(jù)很少，又想精確地評估模型，可以使用打亂數(shù)據(jù)的K折交叉驗證：iterated K-fold validation with shuffling。

具體做法：在每次將數(shù)據(jù)劃分為k個分區(qū)之前，先將數(shù)據(jù)打亂，最終分數(shù)是每個K折驗證分數(shù)的均值

注意：這個做法一共要訓(xùn)練和評估P*K個模型，P是重復(fù)次數(shù)，計算代價很大。

評估模型的注意事項

1. 數(shù)據(jù)代表性：隨機打亂數(shù)據(jù)
2. 時間箭頭：如果想根據(jù)過去預(yù)測未來，即針對所謂的時間序列的數(shù)據(jù)，則不應(yīng)該隨機打亂數(shù)據(jù)，這樣會造成時間泄露
3. 數(shù)據(jù)冗余：確保訓(xùn)練集和驗證集之間沒有交集

數(shù)據(jù)預(yù)處理、特征工程和特征學(xué)習(xí)

預(yù)處理

預(yù)處理的主要步驟：

• 向量化
• 標準化
• 處理缺失值
• 特征提取

向量化

神經(jīng)網(wǎng)絡(luò)的所有輸入和輸出都必須是浮點張量。都必須轉(zhuǎn)成張量，這一步叫做向量化data vectorization

值標準化

數(shù)據(jù)輸入網(wǎng)絡(luò)前，對每個特征分別做標準化，使其均值為0，標準差為1。

輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)應(yīng)該具有以下特征：

• 取值較小：大部分取值在0-1范圍內(nèi)
• 同質(zhì)性(homogenous)：所有特征的取值范圍都在大致相同的范圍內(nèi)

Numpy實現(xiàn)的標準化過程：

X -= X.mean(axis=0)  # 假定X是個二維矩陣
X -= X.std(axis=0)

缺失值處理

在神經(jīng)網(wǎng)絡(luò)中，一般將缺失值用0填充。

特征工程

根據(jù)已有的知識對數(shù)據(jù)進行編碼的轉(zhuǎn)換，以改善模型的效果。

特征工程的本質(zhì)：用更簡單的方式表述問題，從而使得問題變得更容易。

現(xiàn)在大部分的深度學(xué)習(xí)是不需要特征工程的，因為神經(jīng)網(wǎng)絡(luò)能夠從原始數(shù)據(jù)中自動提取有用的特征。

[圖片上傳失敗...(image-31af58-1648963990881)]

解決過擬合

什么是過擬合和欠擬合

機器學(xué)習(xí)的根本問題是優(yōu)化和泛化的對立。

優(yōu)化：調(diào)節(jié)模型以在訓(xùn)練集上得到最佳性能；泛化：訓(xùn)練好的模型在未知數(shù)據(jù)上的性能好壞。

• 過擬合overfit：模型在訓(xùn)練集上表現(xiàn)良好，但是在測試集上表現(xiàn)不好。過擬合存在所有的機器學(xué)習(xí)問題中。
• 欠擬合underfit：訓(xùn)練數(shù)據(jù)上的損失越小，測試數(shù)據(jù)上的數(shù)據(jù)損失也越小。

過擬合和欠擬合的產(chǎn)生

1、欠擬合問題，根本的原因是特征維度過少，導(dǎo)致擬合的函數(shù)無法滿足訓(xùn)練集，誤差較大。

解決方法：欠擬合問題可以通過增加特征維度來解決。

2、過擬合問題，根本的原因則是特征維度過多，導(dǎo)致擬合的函數(shù)完美的經(jīng)過訓(xùn)練集，但是對新數(shù)據(jù)的預(yù)測結(jié)果則較差。解決過擬合問題，則有2個途徑：

• 減少特征維度；可以人工選擇保留的特征，或者模型選擇算法
• 正則化；保留所有的特征，通過降低參數(shù)θ的值，來影響模型

3招解決過擬合

減小網(wǎng)絡(luò)大小

防止過擬合最簡單的方案：減小模型大小，即減少模型中學(xué)習(xí)參數(shù)的個數(shù)（層數(shù)和每層的單元個數(shù)決定）。

容量：在深度學(xué)習(xí)中，模型中可學(xué)習(xí)參數(shù)的個數(shù)稱之為容量。

使用的模型必須具有足夠多的參數(shù)，以防止過擬合，即模型應(yīng)該避免記憶資源不足。

# 電影評論分類的原網(wǎng)絡(luò)

import tensorflow as tf  # add
import keras as models
import keras as layers

model = models.Sequential()
model.add(tf.keras.Dense(16, activation="relu",input_shape=(10000, )))
model.add(tf.keras.Dense(16, activation="relu"))
model.add(tf.keras.Dense(1, activation="sigmoid"))

用一個更小的網(wǎng)絡(luò)來替代：

model = models.Sequential()
model.add(tf.keras.Dense(4, activation="relu",input_shape=(10000, )))
model.add(tf.keras.Dense(4, activation="relu"))
model.add(tf.keras.Dense(1, activation="sigmoid"))

[圖片上傳失敗...(image-f9533e-1648963990881)]

我們發(fā)現(xiàn)：更小的網(wǎng)絡(luò)開始過擬合的時間要晚于之前的網(wǎng)絡(luò)；而且小網(wǎng)絡(luò)的性能變差的速度也更慢。

換成更大的模型：

model = models.Sequential()
model.add(tf.keras.Dense(512, activation="relu",input_shape=(10000, )))
model.add(tf.keras.Dense(512, activation="relu"))
model.add(tf.keras.Dense(1, activation="sigmoid"))

[圖片上傳失敗...(image-61c09-1648963990881)]

網(wǎng)絡(luò)的容量越大，擬合訓(xùn)練數(shù)據(jù)的速度也越快，更容易過擬合。

添加權(quán)重正則化（最佳）

奧卡姆剃刀(Occams razor) 原理：如果一件事有兩種解釋，那么最可能正確的就是最簡單的那個，即假設(shè)更少的那個。

權(quán)重正則化：強制讓模型權(quán)重只能取較小的值，從而限制模型的復(fù)雜度，使得權(quán)重的分布更加規(guī)則regular。其實現(xiàn)方法：向網(wǎng)絡(luò)損失函數(shù)中添加與較大權(quán)重值相關(guān)的成本。

具體兩種方式：

• L1正則化：權(quán)重系數(shù)的絕對值；L1范數(shù)
• L2正則化：權(quán)重系數(shù)的平方；L2范數(shù)

神經(jīng)網(wǎng)絡(luò)中的L2正則化也叫做權(quán)重衰減weight decay。

Keras中添加權(quán)重正則化的方法是向?qū)觽鬟f：權(quán)重正則化實例 作為關(guān)鍵字參數(shù)，以添加L2權(quán)重正則化為例：

from keras import regularizers

model = models.Sequential()
model.add(tf.keras.layers.Dense(16,kernel_regularizer=regularizers.l2(0.001),
                               activation="relu",
                               input_shape=(10000,)))
model.add(tf.keras.layers.Dense(16,kernel_regularizer=regularizers.l2(0.001),
                               activation="relu"))
model.add(tf.keras.layers.Dense(1,activation="sigmoid"))

l2(0.001)的意思是該層權(quán)重矩陣的每個系數(shù)都會使網(wǎng)絡(luò)總損失增加0.001*weight_coeffient_value

由于這個懲罰項只在訓(xùn)練時添加，所以網(wǎng)絡(luò)的訓(xùn)練損失會比測試損失大的多

添加L2正則項前后對比：

[圖片上傳失敗...(image-472813-1648963990881)]

其他權(quán)重正則化的添加方式：

from keras import regularizers

regularizers.l1(0.001)  # l1正則化
regularizers.l1_l2(l1=0.001, l2=0.001)  # 同時添加

添加dropout正則化

dropout是神經(jīng)網(wǎng)絡(luò)中最有效也是最常用的正則化方式之一，做法：在訓(xùn)練過程中隨機將該層的一些輸入特征舍棄（設(shè)置為0）

dropout的比例就是被設(shè)置為0的特征所占的比例，通常在0.2-0.5之間。添加dropout的具體過程：

model.add(tf.keras.layers.Dropout(0.5))

要應(yīng)用在前面一層的輸出

model = models.Sequential()
model.add(tf.keras.layers.Dense(16,activation="relu",input_shape=(10000,)))
model.add(tf.keras.layers.Dropout(0.5))  # 添加
model.add(tf.keras.layers.Dense(16,activation="relu"))
model.add(tf.keras.layers.Dropout(0.5))  # 添加
model.add(tf.keras.layers.Dense(1,activation="sigmoid"))

總結(jié)

防止神經(jīng)網(wǎng)絡(luò)過擬合的方法：

1. 獲取更多的訓(xùn)練數(shù)據(jù)
2. 減小網(wǎng)絡(luò)容量
3. 添加權(quán)重正則化
4. 添加dropout

機器學(xué)習(xí)的通用工作流程

1. 問題定義、收集數(shù)據(jù)
2. 選擇衡量成功的標準
   • 平衡分類問題：精度和接受者操作特征曲線下面積-ROC/AUC
   • 分類不平衡問題：準確率和召回率
3. 確定評估方法
   • 留出驗證集
   • K折交叉驗證
   • 重復(fù)的K折交叉驗證
4. 準備數(shù)據(jù)
   • 數(shù)據(jù)轉(zhuǎn)成張量
   • 取值縮放到0-1之間
   • 數(shù)據(jù)標準化
   • 特征工程
5. 開發(fā)比基準更好的模型

[圖片上傳失敗...(image-9aac31-1648963990881)]

6. 擴發(fā)模型規(guī)模：開發(fā)過擬合的模型

機器學(xué)習(xí)中無處不在的對立是優(yōu)化和泛化的對立，理想的模型是剛好在欠擬合和過擬合的邊界上，在容量不足和容量過大的邊界上。

為了弄清楚我們需要多大的模型，就必須開發(fā)一個過擬合的模型：

• 添加更多的層
• 讓每一層變的更大
• 訓(xùn)練更多的輪次

在訓(xùn)練的過程中始終監(jiān)控訓(xùn)練損失和驗證損失，以及我們關(guān)心的指標。

7. 模型正則化和調(diào)節(jié)參數(shù)

• 添加dropout
• 嘗試增加或者減少層數(shù)
• 添加L1或者L2正則化項
• 嘗試不同的超參數(shù)
• 反復(fù)做特征工程