台湾国立大学机器学习基石.听课笔记（第十三讲）：harzard of overfitting

台湾国立大学机器学习基石.听课笔记（第十三讲）
：harzard  of overfitting

1，什么是过拟合(overfitting)

简单的说就是这样一种学习现象：Ein很小，Eout却很大。
而Ein和 Eout都很大的情况叫做 underfitting。
这是机器学习中两种常见的问题。

上图中，竖直的虚线左侧是"underfitting",左侧是"overfitting”。

1.1,产生过拟合的原因

我们用小车发生事故来比喻：

我们可以得到，发生overfitting的主要原因是：（1）使用过于复杂的模型(dvc很大)；（2）数据噪音；（3）有限的训练数据。

2，噪音与数据规模

2.1、 噪音的影响

我们可以理解地简单些：有噪音时，更复杂的模型会尽量去覆盖噪音点，即对数据过拟合！这样，即使训练误差Ein很小（接近于零），由于没有描绘真实的数据趋势，Eout反而会更大。
即噪音严重误导了我们的假设。

我们用拟合一个f(x)为R^10的函数做例子进行说明。

结果H^2做得拟合更好。

2.2、 数据量对拟合的影响

如下例子说明:

在上述的例子中，分别用H^2和H^10去拟合，E_in与E_out的差别。我们可知：

如果数据是由我们不知道的某个非常非常复杂的模型产生的，实际上有限的数据很难去“代表”这个复杂模型曲线。我们采用不恰当的假设去尽量拟合这些数据，效果一样会很差，因为部分数据对于我们不恰当的复杂假设就像是“噪音”，误导我们进行过拟合。

我们就知道噪声和数据量对拟合H的影响。

3，随机噪音与确定性噪音 (Deterministic Noise)

我们得到的y，一般包括真实值和噪声，我们用H去拟合，Q_f是拟合的维数。

以上图的Q_f和噪声拟合f(x),可以得出下图：

上图是关于2次曲线和10次曲线对数据的拟合情况，我们将overfit measure 表示为E_out(g_10) - E_out(g_2)。

那么我们的目标变为看Q_f、噪声和N对拟合的影响。

我们为了更好的得出结果，我们用

下图左右两边分别表示了随机噪音和确定性噪音对于Overfitting的影响。

可见，数据规模一定时，随机噪音越大，或者确定性噪音越大（即目标函数越复杂），越容易发生overfitting。总之，容易导致overfitting的因素是：数据过少；随机噪音过多；确定性噪音过多；假设过于复杂(excessive power)。

如果我们的假设空间不包含真正的目标函数f(X)（未知的），那么无论如何H无法描述f(X)的全部特征。这时就会发生确定性噪音。它与随机噪音是不同的。
我们可以类比的理解它：在计算机中随机数实际上是“伪随机数”，是通过某个复杂的伪随机数算法产生的，因为它对于一般的程序都是杂乱无章的，我们可以把伪随机数当做随机数来使用。确定性噪音的哲学思想与之类似。:-)

4，解决过拟合问题

对应导致过拟合发生的几种条件，我们可以想办法来避免过拟合。
(1) 假设过于复杂(excessive dvc) => startfrom simple model
(2) 随机噪音 =>数据清洗
(3) 数据规模太小 =>收集更多数据，或根据某种规律“伪造”更多数据
正规化(regularization)也是限制模型复杂度的，在下一讲介绍。

4

4.1 数据清洗(data ckeaning/Pruning)
将错误的label纠正或者删除错误的数据。

4.2 Data Hinting: “伪造”更多数据, add "virtual examples"
例如，在数字识别的学习中，将已有的数字通过平移、旋转等，变换出更多的数据。

其他解决过拟合的方法在后面几讲介绍。