My deep learning

Основные термины машинного обучения. Часть №2

Теги: machine-learning 

В первой части статьи я разобрал базовую терминологию ML: постановку задачи, емкость, переобучение и недообучение, регуляризацию и гиперпараметры, точечную оценку, смещение оценки, дисперсию, стандартную ошибку и состоятельность, а так-же важные термины, определяемые в рамках этих терминов. Продолжим.

Оценка максимального правдоподобия

\(\theta{\tiny ML} = \underset{\theta}{\arg\max}\ p{\tiny model}(\mathbb{X};\theta) =\) \(\underset{\theta}{\arg\max}\ \underset{i=1}{\overset{m}{\prod}}\ p{\tiny model}(\mathbf{x}^{(i)};\theta)\), где:

\(\mathbb{X} = \{ x^{(1)}, ... x^{(m)} \}\) — множество, состоящее из \(m\) примеров, независимо выбираемых из неизвестного порождающего распределения \(p{\tiny data}(\mathbf{x})\). В выражении максимального правдоподобия \(p{\tiny model}(\mathbf{x};\theta)\) — параметрическое семейство распределений вероятности над одним и тем же пространством, индексированное параметром \(\theta\)

Произведение неудобно по причине, т.к. подвержено потере значимости. Взятие логарифма не изменяет \(\arg\max\), но позволяет преобразовать произведение в сумму: \(\theta{\tiny ML} = \underset{\theta}{\arg\max}\ \underset{i=1}{\overset{m}{\sum}}\ \log\ p{\tiny model}(\mathbf{x}^{(i)};\theta)\)

Если разделить правую часть на \(m\) (умножение функции стоимости на константу не изменяет \(\arg\max\)), мы получаем математическое ожидание относительного эмпирического распределения \(\hat{p}{\tiny data}\) определяемого обучающими данными: \(\theta{\tiny ML} = \underset{\theta}{\arg\max}\ \mathbb{E}{\scriptsize x-\hat{p}{\tiny data}}\ \log\ p{\tiny model}(\mathbf{x};\theta)\)

Максимальное правдоподобие — это попытка совместить модельное распределение с эмпирическим \(\hat{p}{\tiny data}\), в идеале мы хотим получить совпадение истинного и порождающего распределения \(p{\tiny data}\). Это интерпретируется с помощью минимизации расхождения Кульбака-Лейблера.

Условное логарифмическое правдоподобие

Если \(\mathbf{X}\) представляет все входы, \(\mathbf{Y}\) все наблюдаемые выходы, а все примеры независимы и одинаково распределены, то условное логарифмическое правдоподобие: \(\theta{\tiny ML} = \underset{\theta}{\arg\max}\ \underset{i=1}{\overset{m}{\sum}}\ \log\ P(\mathbf{y}^{(i)}\mid\mathbf{x}^{(i)};\theta)\)

Байесовская статистика

В отличие от частотного метода, в котором предполагается, что истинное значение \(\theta\) фиксировано хотя и неизвестно, а точечная оценка \(\hat{\theta}\) — случайная величина, в байесовском подходе к статистике истинный параметр \(\theta\) неизвестен или недостоверен и представляется случайной величиной, а набор данных случайной величиной не является, т.к. доступен прямому наблюдению. До наблюдения данных мы представляем свое знание о \(\theta\) в качестве априорного распределения вероятности \(p(\theta)\). Тогда можно реконструировать влияние данных на наши гипотезы о \(\theta\), объединив правдоподобие данных с априорным посредством теоремы Байеса:

\(p(\theta\mid x^{(1)}, ... x^{(m)}) =\) \(\frac{p(x^{(1)}, ... x^{(m)}\mid\theta)p(\theta)}{p(x^{(1)}, ... x^{(m)})}\), где \(x^{(1)}, ... x^{(m)}\) — набор наблюдаемых примеров.

В отличие от оценки максимального правдоподобия, где предсказания делаются с использованием точечной оценки \(\theta\), в байесовской оценке предсказания делаются с помощью полного распределения \(\theta\). к примеру, после наблюдения \(m\) примеров предсказанное распределение следующего \(x^{m+1}\) примера описывается формулой: \(p(x^{m+1}\mid x^{(1)}, ... x^{(m)}) =\) \(\int p(x^{m+1}\mid\theta)p(\theta\mid x^{(1)}, ... x^{(m)})d\theta\). Если после наблюдения \(x^{(1)}, ... x^{(m)}\) примеров мы все еще не знаем \(\theta\), то эта неопределенность включается непосредственно в предсказания.

Кроме того, при байесовской оценке происходит сдвиг плотности вероятности в сторону тех областей пространства параметров, которые априори предпочтительны, что обусловлено значительным влиянием байесовского априорного распределения. Зачастую это приводит к предпочтению более простых и гладких моделей.

Байесовские модели обобщаются лучше при ограниченном числе обучающих данных, но с ростом данных обучение становится вычислительно более накладным.

Оценка априорного максимума

В большинстве случаев операции, включающие апостериорное байесовское распределение, недопустимы с точки зрения временной сложности алгоритмов. В этом случае точечная оценка \(\theta\) дает разрешимую апроксимацию. Чтобы использовать преимущества байесовской оценки, разрешив априорному распределению влиять на выбор точечной оценки, применяют оценку апостериорного максимум (MAP):

\(\theta{\tiny MAP} = \underset{\theta}{\arg\max}\ p(\theta\mid\mathbf{x})\ =\) \(\underset{\theta}{\arg\max}\ \log\ p(\theta\mid\mathbf{x})\) \(+ \log\ p(\theta)\), где \(\log\ p(\theta\mid\mathbf{x})\) — стандартное логарифмическое правдоподобие, а \(\log\ p(\theta)\) соответствует априорному распределению.

Проблемы, требующие глубокого изучения

Проклятие размерности

С увеличением размерности данных количество представляющих интерес конфигураций растет экспоненциально. Если имеется \(d\) измерений и нужно различать \(v\) значений вдоль каждой оси, то потребуется \(O(v^{d})\) областей и примеров.

Регуляризация для достижения локального постоянства и гладкости

Чтобы алгоритм хорошо обобщался, необходимо иметь априорное представление о том, какого рода функцию он должен обучить. Самое распространенные априорные предположения — априорное предположение о гладкости или априорное предположение о локальном постоянстве. Это означает, что обучаемая функция не должна сильно изменяться в небольшой области.

Обобщаемость большинства алгоритмов опирается на этот принцип, поэтому они плохо масштабируются на многие статистические задачи.

Обучение многообразий

В основе ML лежит концепция многообразия — множества точек, ассоциированных с окрестностью каждой точки. Из этой концепции вытекает существование преобразований для перемещения из одного места многообразия в другое.

В ML многообразие — это связное множество точек в пространстве высокой размерности, которое можно хорошо аппроксимировать, вводя в рассмотрение лишь небольшое число степеней свободы, или измерений. В машинном обучении допускаются многообразия, размерность которых различна в разных точках.

Многие алгоритмы ML безнадежны, если ожидается, что в результате обучения алгоритм должен найти функции с нетривиальными изменениями во всем пространстве \(\mathbb{R}^{n}\). Алгоритмы обучения многообразий преодолевают это препятствие, предполагая, что большая часть \(\mathbb{R}^{n}\) — недопустимые входные данные, а интересующие нас входы сосредоточены только в наборе многообразий, содержащем небольшое подмножество точек, причем интересные изменения результирующей функции будут происходить только вдоль направлений, принадлежащих какому-то одному многообразию, или при переходе с одного многообразия на другое.

Данное краткое описание составлено на основе книги «Глубокое обучение» за авторством Я.Гудфеллоу, И.Бенджио, А.Курвилль

Поделиться статьей

Все статьи с тегом machine-learning

Этот проект поддерживается KonstantinKlepikov