（终于读到最后一章了，吼吼！激动呀。我总感觉combining models已经有点频率派方法的味道了。所以接下来要读ESL？）
目录
- 委员会committe：训 L L L个不同的模型，然后取平均做预测
- 提升方法boosting：committee的变种，串行学一堆模型，依据之前模型的表现调整误差函数
- 决策树decision tree：如何把决策树看作是组合模型？从一堆模型中选一个，做决策，而不是平均。即对不同的输入区域用不同的模型
- 条件混合模型conditional mixture models：决策树是一种很硬的、平行于坐标轴的区域划分，可以采用一种概率模型去进行组合。例如有 K K K个模型，形式化为
该混合概率分布的模型称为专家混合mixtures of experts. 该模型和5.6节的混合密度网络密切相关
14.1 Bayesian Model Averaging
贝叶斯模型平均和组合模型并不相同
组合模型如混合高斯，生成过程为
贝叶斯模型平均则是有几个不同的模型，索引为 h = 1 , … , H h=1,\dots,H h=1,…,H，并有概率 p ( h ) p(h) p(h)
（例如其中一个模型是混合高斯，一个模型是混合柯西分布等；再例如线性回归中参数先验分布，不同参数对应不同的模型）
数据集的生成过程为
贝叶斯模型平均实际上假设了只有一个模型用于生成整个数据， h h h上的概率仅仅是对于究竟是哪个模型在生成的不确定性。随着数据集规模增大，这个不确定性会减小，后验分布 p ( h ∣ X ) p(h|\bm X) p(h∣X)会集中到模型中的一个（例如线性回归的参数后验）
贝叶斯模型平均中，整个数据集由单一模型生成，相反，用组合模型时，数据集中的不同数据点可以由隐变量 z z z的不同值对应分量生成
- 上述是关于 p ( X ) p(\bm X) p(X)的讨论，但同样适用于 p ( x ∣ X ) p(\bm x|\bm X) p(x∣X)，以及 p ( t ∣ x , X , T ) p(\bm t|\bm x, \bm X, \bm T) p(t∣x,X,T)等
14.2 Committees
委员会committe：训 L L L个不同的模型，然后取平均做预测
该方法主要是用来降variance，例如图3.5中的模型平均
- 自助聚集bootstrap aggregation/bagging：对数据集的重采样构造
其动机是，如果真实回归函数是 h ( x ) h(\bm x) h(x)，模型输出则可以写成
平均平方和损失为
各个模型独立预测的平均误差为
式14.7的委员会方法预测的期望误差为
如果假定误差是0均值且不相关的，即
那么易得
不过有一个严重的问题，就是需要假设每个模型之间是不相关的，但是实际中，误差通常相关性很高。导致增益很小。不过可以证明， E C O M ⩽ E A V E_{COM}\leqslant E_{AV} ECOM⩽EAV（习题14.3，14.4，好像需要误差函数关于预测值是凸的），也即委员会一定是比单个模型的平均误差有提升的
14.3 Boosting
提升方法boosting：是committee的变种，串行学一堆模型，依据之前模型的表现调整误差函数
相比于委员会，boosting希望能得到更多的提升。就算基分类器的性能仅仅稍好于随机猜测，即弱分类器，boosting也能有很好的表现
- AdaBoost：adaptive boosting.
P659 最小化指数误差
提升方法起源于统计学习理论，得到泛化误差上界，不过这些上界非常宽松，没有实际价值
Friedman et al. (2000)给出了一种不同的boosting解释，说明adaboost是关于指数误差的序列最小化
考虑指数误差函数
其中
t n ∈ { − 1 , 1 } t_n\in \{-1, 1\} tn∈{
−1,1}是label，目标是最小化 α , y \alpha,y α,y
假定 y 1 , … , y m − 1 , α 1 , … , α m − 1 y_1,\dots, y_{m-1},\alpha_1, \dots,\alpha_{m-1} y1,…,ym−1,α1,…,αm−1给定，只关于 α m , y m \alpha_m,y_m αm,ym最小化，误差函数可以写成
其中 w n ( m ) = exp { − t n f m − 1 ( x n ) } w_n^{(m)}=\exp \{-t_n f_{m-1}(\bm x_n)\} wn(m)=exp{
−tnfm−1(xn)}，记 T m \mathcal T_m Tm为 y m y_m ym分对的数据集合， M m \mathcal M_m Mm是分错的数据集合，那么误差函数可以写为
上式关于 y m y_m ym的优化，第二项是常量，所以实际上就是在优化式14.15；关于 α m \alpha_m αm的优化，得到了式14.17. 这都是和AdaBoost的算法流程里一致的
接着考察 w w w，从式14.22注意到
使用代换
得到
其中 exp ( − α m / 2 ) \exp(-\alpha_m/2) exp(−αm/2)独立于 n n n，对所有项都一样，丢掉不影响结果，由此得到式14.18
最后做决策时， f f f中的系数 1 / 2 1/2 1/2也可以丢掉，而不影响符号
P661 boosting的误差函数
为了获得更多关于指数误差函数的直觉insight，考虑如下误差函数
由变分法求上式关于 y y y的最小化，易得
所以它是log-odd函数 ln ( x / ( 1 − x ) ) \ln(x/(1-x)) ln(x/(1−x))缩放一半，也即AdaBoost在基分类器的线性组合形成的函数空间中寻找log-odd函数的形式，同时受约束于序列优化策略
在交叉熵损失中，如果 t ∈ { − 1 , 1 } t\in \{-1, 1\} t∈{
−1,1}，则一个数据点的误差函数可以写为 ln ( 1 + exp ( − y t ) ) \ln (1+\exp (-yt)) ln(1+exp(−yt))，（回顾7.1.2节）
不同loss function的比较如图所示
上图中，为了把所有loss都规约到 ( 0 , 1 ) (0,1) (0,1)点，cross-entropy除以 ln 2 \ln2 ln2
- 最小化cross-entropy，导出逻辑回归
- 最小化hinge-loss，导出SVM
- 序列最小化指数损失，导出AdaBoost
指数损失的缺点：
- 过度惩罚了 t y ( x ) ty(\bm x) ty(x)过小的情况，所以指数损失没有cross-entropy那样对离群点鲁棒
- 指数函数不能解释成某个定义很好的概率模型的对数似然（习题14.8）
- 难以扩展到多类情况（周志华-《集成方法》一书2.5节中给出了几种扩展）
把提升方法表示为指数误差下可加性模型的最优化，扩展出一大类相似算法——包括使用其他误差函数的多类推广和回归。在回归中，如果用平方和损失，那么序列最小化的新增模型就变成了拟合残差 t n − f m − 1 ( x n ) t_n - f_{m-1}(\bm x_n) tn−fm−1(xn)，也即梯度提升（Friedman 2001），可以参考《统计学习方法》
（《西瓜书》第8章阅读材料指出：AdaBoost不容易过拟合，但是理论上仍然很难解释。这个现象的的严格表述是“为什么AdaBoost在训练误差达到0之后，继续训练，仍能提高泛化性能”，如果一直训练下去，过拟合终将出现）
14.4 Tree-based Models
决策树Decision Tree：如何看作是组合模型？决策树可以认为是从一堆模型中选一个，做决策，而不是平均。即对不同的输入区域用不同的模型。总复杂度随着输入有关的选择复杂程度变化
- CART classification and regression trees
决策树的构造其实算是一种贪心算法，也即先贪心出根节点，再贪心出下一层……整体来看，并不一定是最优划分
- 关于停止：常见的做法是先构建一棵较大的树，然后用叶子上样本点数量作为停止准则，再后剪枝。剪枝会在模型复杂度和误差之间平衡。例如，从树 T 0 T_0 T0开始，通过剪枝得到 T T T，即 T ⊂ T 0 T\subset T_0 T⊂T0. 假定叶结点的索引为 τ = 1 , … , ∣ T ∣ \tau=1,\dots,|T| τ=1,…,∣T∣，其中 ∣ T ∣ |T| ∣T∣表示叶子个数。对于具有 N τ N_\tau Nτ个数据点的区域 R τ \mathcal R_{\tau} Rτ，给出的最优预测为
对应平方和损失
剪枝准则为
其中 λ \lambda λ平衡了模型复杂度（由 ∣ T ∣ |T| ∣T∣定义）与平方和损失，该值通过cross-validation选择 - 对于分类问题，常用的损失函数是交叉熵和基尼系数，这一块直接翻西瓜书。这两者比分类错误率要好，因为这两者对结点的概率更敏感（习题14.11），此外这两者是可微的。对于后剪枝，分类错误率则更常用
- 决策树的一个优点是，所学习的模型人能理解。但是实际中，训练集的微小改变有可能形成非常不同的划分
- 决策树的问题在于
- 沿着特征空间平行于坐标轴的方向划分，如果要斜着划分，往往要很多次分裂
- 回归中，预测是不连续的，不光滑
14.5 Conditional Mixture Models
决策树是一种很硬的、平行于坐标轴的区域划分，可以采用一种概率模型去进行组合
P667 线性回归模型的混合
考虑 K K K个线性回归模型，每一个都有参数 w k \bm w_k wk，共用一套噪声精确度 β \beta β，先考虑一维输出 t t t，尽管扩展到多维是容易的。记混合系数为 π k \pi_k πk，混合分布可以写为
其中 θ \bm \theta θ表示了所有参数，包括 W = { w k } , π = { π k } , β \bm W=\{\bm w_k\},\bm \pi=\{\pi_k\},\beta W={
wk},π={
πk},β
对数似然为
该式可用EM优化，其中隐变量 z n k ∈ { 0 , 1 } z_{nk} \in \{0,1\} znk∈{
0,1}，对于每个数据点 n n n，只有一个 z n k = 1 z_{nk}=1 znk=1，其他为 0 0 0
全数据对数似然为
EM中
- E步，首先用 θ o l d \bm \theta^{old} θold，得到后验分布
其中 γ n k \gamma_{nk} γnk就是后验，或者叫“责任responsibility” - M步：根据式14.36，得到Q函数为
上式其实就是把期望套在式14.36的 z n k z_{nk} znk上
算 π , W , β \bm \pi,\bm W,\beta π,W,β
该式和混合高斯式9.22一样，这也是符合直觉的
考虑关于 w k \bm w_k wk的优化，只关注有关项
这其实就是带权最小二乘weighted least squares，注意这 K K K个不同的部分其实是互不干扰的，所以关于 w k \bm w_k wk求导得到
写成矩阵形式
其中 Φ T = ( ϕ 1 , … , ϕ N ) \Phi^T=(\bm\phi_1, \dots, \bm\phi_N) ΦT=(ϕ1,…,ϕN)， R k = diag ( γ n k ) ∈ R N × N \bm R_k=\text{diag}(\gamma_{nk}) \in \mathbb R^{N\times N} Rk=diag(γnk)∈RN×N
解得
观察这个式子，原先的线性回归解析解可以认为是 R k = I N \bm R_k=\bm I_N Rk=IN，另外，这和逻辑回归的迭代重加权平方算法——式4.99一致（感觉是个梦幻联动，暂时没想清楚背后的联系）
最后，优化 β \beta β，只保留有关项
极值点为
拟合结果如图所示
预测结果如图所示
- 图14.8的后验是很好的的，从图14.9看用两个线性分量比用单个要得到更好的数据表示，似然也高了
- 不过这里 π \pi π和 x x x无关，所以如果从做预测的角度考虑，给定一个 x x x，也判断不出来该用哪个分量；也即还是拟合了很多没有数据的区域
一种修正的扩展是把混合系数 π \bm \pi π也表示成 x \bm x x的函数，得到类似5.6节的混合密度网络，或14.5.3节的层次混合专家模型 - 注意，如果要做点估计，根据1.5.5节决策论，均方误差损失最小的对应预测均值，也即 ∑ k = 1 K π k E [ t ∣ ϕ ^ , w k , β ] \sum_{k=1}^K \pi_k \mathbb E[t|\hat \phi, \bm w_k, \beta] ∑k=1KπkE[t∣ϕ^,wk,β]，从图14.9看，这是个很差的结果，位于两条高概率的中间低概率区域（参考习题14.15）
P670 逻辑回归模型的混合
将 K K K个逻辑回归模型混合
其中 ϕ \bm \phi ϕ是特征向量， y k = σ ( w k T ϕ ) y_k=\sigma(\bm w_k^T\bm \phi) yk=σ(wkTϕ)是第 k k k个分量的输出， θ \bm \theta θ包括 { π k } \{\pi_k\} {
πk}和 { w k } \{\bm w_k\} {
wk}
对应数据集似然函数形式为
全数据的概率分布为
其中 z n k z_{nk} znk是一个二值变量。（可以把式14.47关于 Z \bm Z Z求和求掉，验证式14.46）
使用EM
- E步：得到 z z z的后验分布
同线性回归， γ \gamma γ叫做“责任responsibility” - M步：全数据的Q函数为
需要优化 π , W \bm \pi, \bm W π,W
关于 π \bm \pi π的优化得到熟悉结果
关于 W \bm W W的优化，注意到不同分量不干扰，此外，没有解析解，所以采用4.3.3节的迭代重加权平方terative reweighted least squares (IRLS)算法（其实就是牛顿法）。关于 w k \bm w_k wk的梯度和Hessian矩阵分别为
这里无非是多加了个权，其他和4.3.3节结果一致
该算法的拟合结果如图所示
- 混合逻辑回归可以直接扩展到多分类问题（习题14.16）
P672 混合专家 mixtures of experts
和混合线性（逻辑）回归的区别在于，混合系数 π \pi π也变成输入的函数
其中混合系数 π k ( x ) \pi_k(\bm x) πk(x)称为门函数gating functions（总感觉有点attention那味了）， p k ( t ∣ x ) p_k(\bm t|\bm x) pk(t∣x)称为专家experts
其背后的思想是不同的专家在自己的区域进行预测，门函数确定哪个分量控制哪个区域
其中门函数必须满足混合系数通常的限制，即 0 ⩽ π k ( x ) ⩽ 1 , ∑ k π k ( x ) = 1 0\leqslant \pi_k(\bm x)\leqslant 1,\ \sum_k \pi_k(\bm x)=1 0⩽πk(x)⩽1, ∑kπk(x)=1，所以可以通过softmax进行约束表示
如果专家也是线性（回归、分类）模型，那么整体模型可以用EM算法优化，M步中需要用IRLS算法
P673 层次混合专家 hierarchical mixture of experts (HME)
专家模型的限制在于门函数和专家函数都是线性的。更灵活的模型是用多层门函数，得到层次混合专家hierarchical mixture of experts (HME模型)，想象一个混合分布，其中每个部分都是混合分布。如果系数不是输入依赖的，那么这种层次和单层没区别，但是输入是线性依赖的，那么就有区别
参考习题14.17，这题的解答值得一看，如图
例如这种区域划分方式，用三类softmax就构造不出来，主要是 π 1 \pi_1 π1不受 v 2 T \bm v_2^T v2T影响的大区域（也即右图的红色直线），softmax一定互相干扰
- 该模型可以看作是决策树的概率版本。（这感觉和神经网络也有点像，中间用softmax激活，输出是最终的混合系数，不过每一层都接收输入，可能不是隐层传递）
该模型可以用EM优化，其中M步要用IRLS - Bishop and Svensén(2003)提出了一种贝叶斯HME，并变分推断求解
- HME和5.6节的混合密度网络有紧密联系
- HME的一个优点是可以用EM优化，M步关于混合分量和门函数是凸优化（虽然整体目标函数非凸）
- 混合密度网络的优点是分量和混合系数共享隐层单元，且对输入空间的划分更松，划分除了软、不限于坐标轴平行外，还可以是非线性的
*后记
到此这篇PRML第十四章读书笔记——Combining Models 贝叶斯模型平均、委员会bagging、提升方法/AdaBoost、决策树、条件混合模型/混合线性回归/混合逻辑回归/【层次】混合专家模型的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/10479.html