3. 统计学习方法的三要素

3.1 监督学习的三要素

3.1.1 模型

假设空间（Hypothesis Space）：所有可能的条件概率分布或决策函数，用$\mathcal{F}$表示。

• 若定义为决策函数的集合： F = { f ∣ Y = f ( X ) } \mathcal{F}=\{f|Y=f(X)\} F={f∣Y=f(X)}.
• $\mathcal{F}$由一个参数向量决定的函数族构成： F = { f ∣ Y = f θ ( X ) , θ ∈ R n } \mathcal{F}=\{f|Y=f_{\theta}(X),\theta\in\mathbb{R}^n\} F={f∣Y=fθ​(X),θ∈Rn}（$n$维欧氏空间）.
• 所有可能的参数向量组成了参数空间 Θ = { θ ∣ θ ∈ R n } \Theta=\{\theta|\theta\in\mathbb{R}^n\} Θ={θ∣θ∈Rn}.

【例】线性回归

• 实例：$x={\left(x^{(1)},x^{(2)},\cdots ,x^{(n)}\right)}^T$.
• 决策函数：$f(x)=w^{(1)}{x}^{(1)}+w^{(2)}{x}^{(2)}+\cdots +w^{(n)}{x}^{(n)}+b$.
• 向量形式：$f(x)=w\cdot x+b$，其中，$w=\left(w^{(1)},w^{(2)},\cdots ,w^{(n)}\right)$.

条件概率形式：

• 若定义为条件概率的集合： F = { P ∣ P ( Y ∣ X ) } \mathcal{F}=\{P|P(Y|X)\} F={P∣P(Y∣X)}.
• $\mathcal{F}$由一个参数向量决定的条件概率分布族构成：
  F = { P ∣ P θ ( Y ∣ X ) , θ ∈ R n } \mathcal{F}=\{P|P_{\theta}(Y|X),\theta\in\mathbb{R}^n\} F={P∣Pθ​(Y∣X),θ∈Rn}

【注】$\exp (f(x))$是指$e^{f(x)}$.

3.1.2 策略

如何在假设空间里选择一个最优的模型，就需要用到第二个要素，策略

3.1.2.1 概念

• 损失函数：度量模型一次预测的好坏，记作$L(Y,f(X))$.
• 风险函数：度量平均意义下模型预测的好坏。
  $$\begin{array}{rl}{R}_{\exp }(f)& =E_P[L(Y,f(X))]\\ & ={\int }_{\mathcal{X}\times \mathcal{Y}}L(y,f(x))P(x,y)dxdy\end{array}$$
  exp代表的是期望的意思，R代表的是风险，此处风险函数就是对损失函数求了一下概率期望，联合分布$P(X,Y)$并不是已知，所以选择下面的经验风险（估计值）来替代风险函数。所以这个沿着鬼笛卡尔积做曲线积分的这个式子根本不需要看懂，因为这玩意本身就是不能算出来的。
• 经验风险：模型$f(X)$关于训练集的平均损失。
  $$R_{emp}(f)=\frac{1}{N}\sum _{i=1}^{N}L\left(y_i,f\left(x_i\right)\right)$$
  emp指的是经验，R指的是风险。

其中训练集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) ⋯ , ( x N , y N ) } T=\left\{\left(x_{1}, y_{1}\right),\left(x_{2}, y_{2}\right) \cdots,\left(x_{N}, y_{N}\right)\right\} T={(x1​,y1​),(x2​,y2​)⋯,(xN​,yN​)}

【注】数学期望：
数学期望可以看作是随机变量的加权平均，其中加权系数是相应事件发生的概率。

• 离散型随机变量的期望：
  如果一个离散型随机变量$X$具有可能取值$x_1,x_2,\cdots ,x_n$，且对应的概率分别为 $P(x_1),P(x_2),\cdots ,P(x_n)$，那么$X$的数学期望$E(X)$由以下公式给出：
  $$E(X)=\sum _{i=1}^n{x}_{i}P\left(x_i\right)$$
  其中，$x_i$是随机变量$X$可能取的值，$P(x_i)$是$X$取值$x_i$的概率。
• 连续型随机变量的期望：
  对于一个连续型随机变量$X$，它的概率密度函数为$f(x)$，则期望$E(X)$定义为：
  $$E(X)={\int }_{-\infty }^{\infty }xf(x)dx$$
  其中，$f(x)$是随机变量$X$的概率密度函数，表示在某个区间内取值的概率密度。

3.1.2.2 四种常见的损失函数

• 0-1损失函数（0-1 Loss Function）
  $$L(Y,f(X))=\{\begin{array}{ll}1,& Y\ne f(X)\\ 0,& Y=f(X)\end{array}$$
  0-1损失函数主要针对分类问题。当真实值$Y$和预测值$f(X)$不相等的时候取1，当真实值$Y$和预测值$f(X)$相等的时候取0。这也是一种示性函数，后面的朴素贝叶斯会用到这种损失函数。

【注】示性函数：示性函数，也叫做特征函数、指示函数，是一个数学函数，通常用于描述集合中元素是否满足某个特定性质。

• 平方损失函数（Quadratic Loss Function）
  $$L(Y,f(X))=(Y-f(X){)}^2$$
  平方损失函数主要针对回归问题，它度量真实值$Y$与预测值$f(X)$之间的距离。K邻近模型会用到这种函数。
• 绝对损失函数（Absolute Loss Function）
  $$L(Y,f(X))=|Y-f(X)|$$
  绝对损失函数主要针对回归问题，它度量真实值$Y$与预测值$f(X)$之间的距离。K邻近模型会用到这种函数。
• 对数损失函数（Logarithmic Loss Function）
  $$L(Y,P(Y|X))=-\log P(Y|X)$$
  对数损失函数主要针对概率模型，因为此处模型用的是条件概率分布的形式。它涉及到的模型是给定$X$条件下$Y$的条件概率分布，也就是用条件概率分布模型，所以对数损失函数针对概率模型。

3.1.2.3 风险最小化

根据大数定律，当$N\to \infty$时，
$R_{\text{emp }}(f)=\frac{1}{N}\sum _{i=1}^{N}L\left(y_i,f\left(x_i\right)\right)⟶R_{\exp }(f)=E_P[L(Y,f(X))],N\to \infty$，也就是当$N\to \infty$时，经验损失趋近于风险函数。所以在一定程度上，用经验损失作为风险函数的估计值是合理的，但是在现实生活中样本容量$N$一般是有限的，有的时候甚至会很小，所以仅仅用经验风险来估计风险函数效果并不理想，所以需要对其进行一定的矫正。

【注】大数定律：
大数定律是概率论中的一个重要定理，描述了在大量独立、同分布的随机试验中，随着试验次数的增加，样本均值会趋近于期望值。简单来说，就是随着实验次数的增加，实验结果的平均值越来越接近期望值。大数定律反映了“偶然性”对长期平均结果的影响逐渐减小。
大数定律主要有两种形式：弱大数定律和强大数定律。

• 弱大数定律（Weak Law of Large Numbers，WLLN）：
  弱大数定律表明，随着独立同分布随机变量数量的增加，样本均值会以较高的概率收敛到期望值。具体来说，给定一组独立同分布的随机变量，其样本均值${\bar{X}}_n=\frac{1}{n}\sum _{i=1}^n{X}_i$会以概率收敛于期望值$\mu =E[X_i]$，即
  $$P\left(\underset{n\to \infty }{\lim }{\bar{X}}_n=\mu \right)=1$$
  这意味着随着试验次数增加，样本均值会以高概率接近理论期望值。
  强大数定律（Strong Law of Large Numbers，SLLN）：
  强大数定律进一步加强了这一结果，它表明不仅样本均值几乎一定会收敛于期望值，而且这种收敛是几乎确定的，即在几乎所有的情况下，样本均值都会趋近于期望值。具体来说，给定独立同分布随机变量$X_1,X_2,X_3,\cdots$ ，强大数定律表明：
  $$P\left(\underset{n\to \infty }{\lim }{\bar{X}}_n=\mu \right)=1$$
  这意味着在几乎所有的实验中，随着实验次数趋近于无穷大，样本均值会准确地收敛到期望值。

直观地说，大数定律的核心思想是：在重复实验的情况下，随着实验次数的增加，观察到的结果会趋向于理论预测的结果。这就像是抛硬币实验，当抛掷次数很少时，正面和反面的比例可能会偏离 50%，但随着投掷次数的增加，正面和反面的比例会趋近于 50%。

• 经验风险最小化：
  $$\underset{f\in \mathcal{F}}{\min }\frac{1}{N}\sum _{i=1}^{N}L\left(y_i,f\left(x_i\right)\right)$$
  当样本容量$N$足够大的时候，我们可以认为经验风险是风险函数的一个估计值，这时候只需要选取使经验风险最小的模型即可。
• 结构风险：
  $$R_{srm}=\frac{1}{N}\sum _{i=1}^{N}L\left(y_i,f\left(x_i\right)\right)+\lambda J(f)$$
  当样本容量$N$比较小的时候，仅仅使经验风险最小化，容易造成过拟合的现象（过拟合后面会讲到），于是引入结构风险概念，结构风险就是在经验风险的基础上加了一个惩罚项$\lambda J(f)$，这个惩罚项是针对于模型的复杂度的$J(f)$，模型越复杂$J(f)$就越大，模型越简单$J(f)$就越小，所以结构风险平衡了经验风险和模型的复杂度。
• 结构风险最小化：
  $$\underset{f\in \mathcal{F}}{\min }\frac{1}{N}\sum _{i=1}^{N}L\left(y_i,f\left(x_i\right)\right)+\lambda J(f)$$
  结构风险最小化则是选取一个使结构风险最小的模型。

关于监督学习的策略，追根究底就是选取一个目标函数，或者是经验风险，或者是结构风险，通过优化这个目标函数，达到一个学习模型的目的。

3.1.2.4 算法

• 算法：如何求解最优模型的问题；
• 若优化问题存在显式解析解，算法简易；
• 通常不存在解析解，需要数值计算方法，比如梯度下降法。

3.2 无监督学习的三要素

它处理的是无标记数据。

• 模型：函数$z=g_{\theta }(x)$，$z$是来自于隐式结构空间（隐藏在数据中的统计分布），条件概率分布$P_{\theta }(z|x)$或条件概率分布$P_{\theta }(x|z)$.（参数空间是所有可能的参数$\theta$）
• 策略：优化目标函数。
• 算法：通常是迭代算法。

【注】参数空间：无监督学习中的参数空间是指模型可以探索的所有可能的参数组合。无论是在聚类、降维、特征学习等任务中，模型的超参数和训练过程中的设置都会定义一个参数空间。优化这个参数空间，选择合适的参数组合，是提升无监督学习模型性能的关键。大白话解释就是调参，比如K-means聚类的参数K或者深度学习模型的其他参数。