一.Quadratic Hypothesis 之前学习了线型的分类器&＃xff0c;今天将介绍非线性的分类器。 下图左边的数据&＃xff0c;我们用直线分类器能够很容易的将数据分开&＃xff0c;但是右边的数据我们却不行&＃xff0c;那么我们该怎么办呢&＃xff1f; 之前对于线型不可分的数据我们容许有一定的误差&＃xff0c;但是这里的误差明显太大了&＃xff0c;所以不能应用。但是我们发现该数据是能够用一个圆进行分割的&＃xff0c;所以这里我们将应用Circular Separable. 我们将输入特征进行转换&＃xff0c;另z0&＃61;1,z1&＃61;x1^2,z2&＃61;x2^2并将x空间的数据映射到z空间进行显示&＃xff0c;发现数据在z空间能够被线型分开&＃xff0c;于是我们就能在z空间使用之前所学过的知识进行分类了。 我们能够学得的结果如下图所示&＃xff0c;能够是圆&＃xff0c;椭圆&＃xff0c;双曲线和常数&＃xff0c;这样我们就相当于用x空间的上述形状对数据进行分类了。 但是上述的模型学到的圆等形状他们的原点必须要在圆心&＃xff0c;要想突破这个限制我们在从x转换到z空间的时候需要增加移动项的组合。 仔细分析会发现&＃xff0c;当后三项为0时形状就会退化成直线&＃xff0c;所以上述模型里面包含了直线和常数模型。 二.Nonlinear Transform 非线性分类的流程如下所示&＃xff0c;首先进行特征转换将x空间转换成z空间&＃xff0c;在z空间进行线型分类&＃xff0c;然后将分类好的点反转换回x空间。 注&＃xff1a;实际上是对x空间的一个点进行转换分类后直接将该点进行标记&＃xff0c;而不是将转换的点进行反转换
三.Price of Nonlinear Transform 想象很美好&＃xff0c;现实很骨感&＃xff0c;为了实现上述的φ的转换&＃xff0c;我们要付出极大的计算和内存空间&＃xff0c;假如我们的原始数据的维数为d&＃xff0c;我们要转换的多项式次数为Q&＃xff0c;那么我们转换后的数据的维数将会是O(Q^d)这将会额外浪费极大的计算资源和效率。 同样的&＃xff0c;由于d的增加&＃xff0c;我们的VC维也会增加&＃xff0c;这就会增加模型的复杂度。 所以我们应该如何选取Q也成为了一个难题&＃xff0c;如下两幅图&＃xff0c;当我们选择大的Q时Ein会下降&＃xff0c;但是Eout与Ein的差会变大&＃xff0c;选择小的Q&＃xff0c;Ein会增加&＃xff0c;但是Ein与Eout的差距会变小&＃xff0c;这就会形成矛盾。 但是我们绝对不要靠我们的眼睛来决定Q的大小&＃xff0c;因为第一&＃xff0c;我们的眼睛不能够看到大于3维的数据&＃xff0c;而我们所用的数据大多是三维以上&＃xff0c;第二&＃xff0c;我们的眼睛会带入主观偏见&＃xff0c;这会妨碍算法求得真正的规律。
四.Structured Hypothesis Sets 从Q&＃61;1到Q&＃61;n假设空间的变化及关系如下图所示&＃xff1a; VC维和Ein的关系如下图所示&＃xff1a; 那我们该怎么决定Q呢&＃xff1f;我们应该从Q&＃61;1开始从简单往难的模型进行试验&＃xff0c;如果简单的模型能找到一个小的Ein那么我们就选择它。
京公网安备 11010802041100号