机器学习中的核方法

机器学习中的核方法"/>

机器学习中的核方法

一、说明

        线性模型很棒，因为它们易于理解且易于优化。他们受苦是因为他们只能学习非常简单的决策边界。神经网络可以学习更复杂的决策边界，但失去了线性模型良好的凸性特性。

        使线性模型表现出非线性的一种方法是转换输入。例如，通过添加特征对作为附加输入。在这种表示上学习线性模型是凸的，但在除了非常低维的空间之外的所有空间中，计算量都是令人望而却步的。有人可能会问：是否可以保留原始数据表示，而不是显式扩展特征空间，并且所有特征都会破坏隐式？令人惊讶的是，答案通常是“是”，而使这成为可能的技术系列被称为内核方法。

二、从特征组合到内核

        增加线性模型表达能力的一种方法是爆炸特征空间。例如，“二次”特征爆炸可能会将特征向量x = <x_1, x_2,x_3,…,x_D> 映射到表示为 φ(x) 的扩展版本：

        然后我们可以在扩展的特征空间上训练分类器。这样做有两个主要问题。第一个是计算性的：如果您的线性算法在特征数量上线性扩展，那么您只需对需要执行的计算量进行平方即可；您还计算了所需内存量的平方。第二个是统计方面的：如果您按照启发式，每个特征应该有大约两个示例，那么您现在将需要二次方数量的训练示例，以避免过度拟合。

        我们将在这篇文章中尝试解决计算问题。

        基于内核的学习的关键见解是，您可以以不需要显式计算 φ( x) 的方式重写许多线性模型。首先，您可以将其视为纯粹的计算“技巧”，使您能够使用二次特征映射的强大功能，而无需实际计算和存储映射向量。稍后你会发现它更深一些。我们讨论的大多数算法在执行特征映射后都涉及w · φ( x )形式的乘积。目标是重写这些算法，以便它们只依赖于两个示例（例如x和z）之间的点积；即，它们取决于 φ( x ) · φ( z )。要理解为什么这很有用，请考虑上面的二次展开和两个向量之间的点积。你得到：

        因此，计算 φ( x ) · φ( z ) 所需的时间与计算x · z所用的时间完全相同（加上执行加法和乘法所需的时间）。

        其余的实际挑战是重写算法，以便它们依赖于示例之间的点积，而不是任何显式的权重向量。

三、核化感知器

让我们考虑上一篇文章中的原始感知器算法，这里使用线性代数符号和特征扩展符号 φ(x ) 进行重复。

PerceptronTrain(D,MaxIter) w <- 0                    // initialize weights
b <- 0                                 // initialize bias
for iter=1 to MaxIter dofor all (x,y) ∈ D doa ←  w · φ( x) + b                  // compute activation for this exampleif ya <= 0 thenw ← w + y φ(x )                           // update weightsb <- b + y                          // update bias endifendfor
endfor
return w, b  

        在这个算法中，有两个地方明确使用了φ( x ) 。第一个是计算激活（第 4 行），第二个是更新权重（第 6 行）。目标是消除该算法对 φ 和权重向量的显式依赖。

        为此，您可以观察到在算法中的任何点，权重向量w都可以写成扩展训练数据的线性组合。特别是，在任意点，对于某些参数 α， w = Σ α_nφ(x_n)。最初，w = 0，因此选择α = 0 会产生此结果。如果第一次更新发生在第 n 个训练样本上，则分辨率权重向量就是 y_n φ(x_n)，相当于设置 α_n = y_n。如果第二次更新发生在第 m 个训练样本上，那么您所需要做的就是更新 α_m ← α_m + y_m。这一观察结果引出了以下表示定理，该定理指出感知器的权重向量位于训练数据的范围内。

        感知器表示定理：在感知器算法运行期间，权重向量w始终位于（假设非空）训练数据φ(x_1 ), 的范围内。。。， φ (x_N)。

        证明。通过归纳法。基本情况：任何非空集的跨度都包含零向量，即初始权重向量。归纳情况：假设定理在第 k 次更新之前为真，并假设第 k 次更新发生在示例 n 上。根据归纳假设，可以在更新前写出w = Σ α_i φ(x_i) 。新的权重向量为 [Σ α_i φ(x_i )] + y_n φ( x_n ) = Σ (α_i + y_n [ i = n])φ (x_i )，仍然在训练数据的范围内。

        并不是说我们知道对于某些 α_is 总是可以写出w = Σα_nφ(x_n)，我们还可以将激活（第 4 行）计算为：

        现在，这仅取决于数据点之间的点积，并且从不明确需要权重向量。您现在可以重写整个感知器算法，以便它永远不会明确引用权重，而仅依赖于示例之间的成对点积

        这种“核化”算法的优点是，您可以“免费”执行特征扩展，例如简介中的二次特征扩展。例如，对于与二次特征完全相同的成本，您可以使用三次特征图，计算为 φ( ̈ x)φ(z) = (1 + x · z)³，它对应于变量之间的三向交互。（而且，一般来说，您可以在相同的计算复杂度下对任何多项式次数 p 执行此操作。）

四、什么构成了内核？

        内核只是广义点积的一种形式。您也可以将其视为 φ( x ) · φ( z ) 的简单简写。这通常称为xa和z之间的内核乘积。

        从这个角度来看，我们在上一节中看到的是，您可以重写感知器算法（这同样适用于许多其他算法），以便它们仅依赖于数据点之间的内核乘积，而不依赖于实际数据点他们自己。这是一个非常强大的概念，因为它使得大量非线性算法的开发基本上“免费”（通过应用所谓的内核技巧）。

4.1 核函数的特点

        机器学习（包括 SVM（支持向量机））中使用的核函数具有几个重要特征，包括：

• Mercer 条件：核函数必须满足 Mercer 条件才有效。这个条件确保核函数是半正定的，这意味着它总是大于或等于零。
• 正定性：如果核函数始终大于零（除非输入彼此相等），则该核函数是正定的。
• 非负性：核函数是非负的，这意味着它为所有输入生成非负值。
• 对称性：核函数是对称的，这意味着无论输入的顺序如何，它都会产生相同的值。
• 再现性：如果核函数可以用来重建特征空间中的输入数据，则它满足再现性。
• 平滑度：如果核函数能够将输入数据平滑地变换到特征空间，则称该核函数是平滑的。
• 复杂性：核函数的复杂性是一个重要的考虑因素，因为更复杂的核函数可能会导致过度拟合并降低泛化性能。

        基本上，核函数的选择取决于具体问题和数据的特征，选择合适的核函数可以显着影响机器学习算法的性能。

4.2 内核函数

        核是用于将原始输入数据点映射到高维特征空间的数学函数，因此，即使数据点在原始输入空间中不是线性可分的，也可以轻松找到超平面。一些常见的核函数包括线性核函数、多项式核函数、径向基函数 (RBF) 和 sigmoid 核函数。

        标准核函数方程：

        高斯核：

        高斯核用于在没有数据先验知识的情况下执行变换。

        sigmoid函数：

        该函数相当于神经网络的第二层感知器模型l，用作人工神经元的激活函数。

五、结论

关于内核函数，将数据通过一个非线性函数映射，通过阔维，可以将不可分问题，形成线性可分问题。关于此问题我们后面将用更多文章论述。 参考资料： 内核方法 算法 机器学习 数据科学

弗朗西斯科·佛朗哥