模型的拟合与正则化

各位朋友大家好，欢迎来到月来客栈，我是掌柜空字符。

在讲解线性回归的内容中，掌柜首次引入了梯度下降算法来最小化线性回归中的目标函数，并且在经过多次迭代后便可以求得到模型中对应的参数。此时可以发现，模型的参数是一步一步根据梯度下降算法更新而来直至目标函数收敛，也就是说这是一个循序渐进的过程。因此，这一过程也被称作是拟合（Fitting）模型参数的过程，当这个过程执行结束后就会产生多种拟合后的状态，例如过拟合（Overfitting）和欠拟合（Underfitting）等。

在接下来的这篇文章中，掌柜将主要从模型拟合、正则化、偏差方差与交叉验证和实例分析这四个方面来介绍模型拟合以及模型的改善和泛化。

1 模型拟合

1.1 过拟合现象

在线性回归中掌柜介绍了几种评估回归模型常用的指标，但现在有一个问题是：当MAE或者RMSE越小就代表模型就越好吗？还是说在某种条件下其越小越好呢？细心的读者可能一眼便明了，肯定是有条件下的越小所对应的模型才越好。那这其中到底是怎么回事呢？

$sin(x)$ $sin(x)$ 上，而是分布在其附近，如图1所示。

图 1. 正弦样本点图

如图1所示，黑色圆点为训练集，黑色曲线为真实的分布曲线。现在需要根据训练集来建立并训练模型，然后得到相应的预测函数。假如分别用degree = 1,5,10来对这12个样本点进行建模（degree表示多项式的最高次数），那么便可以得到如图2所示的结果。

图 2. 正弦样本点拟合图

$R^2$ $R^2$ $R^2$ 达到了1.0。但是最后就应该选degree=10对应的这个模型吗？

$R^2$ $sin(x)$ 所生成），然后分别用上面的3个模型进行了预测，并得到了如图3所示的可视化结果。

图 3. 正弦样本点过拟合图

$R^2$ 尽可能大）”而使用了非常复杂的模型，尽管最后每个训练样本点都“准确无误”的落在了预测曲线上，但是这却导致最后模型在新数据上的预测结果严重的偏离了其真实值。

1.2 过拟合与欠拟合

在机器学习中，通常将建模时所使用的数据叫做训练集（Training Dataset）,例如图1中的12个样本点；将测试时所使用的数据集叫做测试集（Testing Dataset）。同时把模型在训练集上产生的误差叫训练误差（Training Error）；把模型在测试集上产生的误差叫泛化误差（Generalization Error）；最后也将整个拟合模型的过程称作是训练（Training）[1]。

进一步，将1.1节中degree=10时所产生的现象叫做过拟合（Overfitting），即模型在训练集上的误差很小，但在测试集上的误差很大，也就是泛化能力弱；相反，将其对立面degree=1时所产生的现象叫做欠拟合（Underfitting），即模型训练集和测试集上的误差都很大；同时，将degree=5时的现象叫做恰拟合（Good Fitting），即模型在训练集和测试集上都有着不错的效果。

同时，需要说明的是，在1.1节中掌柜仅仅是以多项式回归为例来向读者直观的介绍了什么是过拟合与欠拟合。但并不代表这种现象只出现在线性回归中，事实上所有的机器学习模型都会存在着这样的问题。因此一般来说，所谓过拟合现象指的就是模型在训练集上表现很好，而在测试集上表现糟糕；欠拟合现象是指模型在两者上的表现都十分糟糕；而恰拟合现象是指模型在训练集上表现良好（尽管可能不如过拟合时好），但同时在测试集上也有着不错的表现。

1.3 解决欠拟合与过拟合

1) 如何解决欠拟合

经过上面的描述我们已经对欠拟合有了一个直观的认识，所谓欠拟合就是训练出来的模型根本不能较好的拟合现有的训练数据。要解决欠拟合的方法相对来说较为简单，主要分为以下3种：

重新设计更为复杂的模型；例如在线性回归中可以增加特征映射多项式的次数。

设计新的特征；收集或设计更多的特征维度作为模型的输入，即根据已有特征数据组合设计得到更多新的特征，这有点类似于上一点。

减小正则化系数；当模型出现欠拟合现象时，可以通过减小正则化中的惩罚系数来减缓欠拟合现象，这一点将在4.4节中进行介绍。

2) 如何解决过拟合

对于如何有效的缓解模型的过拟合现象，常见的做法主要分为如下4种：

收集更多数据；这是一个最为有效但实际操作起来又是最为困难的一个方法。训练数据越多，在训练过程中也就越能够纠正噪音数据对模型所造成的影响，使得模型不易过拟合。但是对于新数据的收集往往具有较大的困难。

降低模型复杂度；当训练数据过少时，使用较为复杂的模型极易产生过拟合现象，例如4.3.1中的示例。因此可以通过适当减少模型的复杂度来达到缓解模型过拟合的现象。

正则化方法；在出现过拟合现象的模型中加入正则化约束项，以此来降低模型过拟合的程度，这部分内容将在4.4节中进行介绍。

集成方法；将多个模型集成在一起，以此来达到缓解模型过拟合的目的，这部分内容将在第8章中进行介绍。

3) 如何避免过拟合

为了避免训练出来的模型产生过拟合现象，在模型训练之前一般会将拿到的数据集划分成两个部分，即训练集与测试集，且两者一般为7:3的比例。其中训练集用来训练模型（降低模型在训练集上的误差），然后用测试集来测试模型在未知数据上的泛化误差，观察是否产生了过拟合现象[2]。

但是由于一个完整的模型训练过程通常会是先用训练集训练模型，再用测试集测试模型。而绝大多数情况下不可能第一次就选择了合适的模型，所以又会重新设计模型（如调整多项式次数等）进行训练，然后再用测试集进行测试。因此在不知不觉中，测试集也被当成了训练集在使用。所以这里还有另外一种数据的划分方式，即训练集、验证集（Validation data）和测试集，且一般为7:2:1的比例，此时的测试集一般是通过训练集和验证集选定模型后做最后测试所用。

那实际训练中应该选择哪种划分方式呢？这一般取决于训练者对模型的要求程度。如果要求严苛那就划分为3份，如果不那么严格也可以划分为2份，也就是说这两者并没硬性的标准。

1.4 小结

在这节中，掌柜首先介绍了什么是拟合，进而介绍了拟合后带来的3种状态，即欠拟合、恰拟合与过拟合，其中恰拟合的模型是我们最终所需要的结果。同时，掌柜接着介绍了解决欠拟合与过拟合的几种办法，其中解决过拟合的两种具体方法将在后续的内容中分别进行介绍。最后，掌柜还介绍了两种方法来划分数据集来，以尽可能避免产生模型过拟合的现象。

2 正则化

$\mathcal{l}_2$ 正则化是如何来解决这一问题的。

$\mathcal{l}_2$ 正则化项的形式。

J=\sum\limits_{i=1}^{m}{{{\left( {{y}^{(i)}}-(\sum\limits_{j=1}^{n}{x_{j}^{(i)}}{{w}_{j}}+b) \right)}^{2}}}+\frac{\lambda }{2n}\sum\limits_{j=1}^{n}{{{({{w}_{j}})}^{2}}};\ \ (\lambda >0)\;\;\;\;\;\;\;(1)

$(1)$ $\mathcal{l}_2$ 线性回归 $0$ $(1)$ $J$ $0$ ${{w}_{j}}$ $0$ 附近，进而得到一个平滑的预测模型。那这样做的好处是什么呢？

2.1 测试集导致糟糕的泛化误差

所谓测试集导致糟糕的泛化误差是指训练集本身没有多少噪音，但由于测试集含有大量噪音，使得训练出来的模型在测试集上没有足够的泛化能力，而产生了较大的误差。这种情况可以看作是模型过于准确而出现了过拟合现象。那正则化方法是怎么解决这个问题的呢？

y=\sum\limits_{j=1}^{n}{{{x}_{j}}}{{w}_{j}}+b\;\;\;\;\;\;\;(2)

$(2)$ $(1)$ $x_j$ $(x_j+\Delta x_j)$ $y$ $y+\Delta x_jw_j$ $\Delta x_jw_j$ $w_j$ $0$ $w_j$ $0$ ，那么产生的误差就会越小，这意味着模型越能够抵抗噪音的干扰，在一定程度提升了模型的泛化能力[3]。

由此便可以知道，通过在原始目标函数中加入正则化项，便能够使得训练得到的参数趋于平滑，进而能够使得模型对噪音数据不再那么敏感，缓解了模型过拟合的现象。

2.2 训练集导致糟糕的泛化误差

$\mathcal{l}_2$ 正则化方法又是怎么解决在训练过程中就能够降低对噪音数据的敏感度的呢？为了便于后面理解，我们先从图像上来直观理解一下正则化到底对目标函数做了什么。

$\mathcal{l}_2$ 正则化后的目标函数。可以看出黑色实线的极值点均发生了明显的改变，且不约而同的都更靠近原点。

图 4. 正则化图

$\mathcal{l}_2$ 正则化后的结果。

图 5. 正则化投影图

$0.5\ 0.5$ $0.0625\ 0.25$ $w_1,w_2$ $\mathcal{l}_2$ 正则化具有缓解过拟合的作用，但原因在哪儿呢？

${{J}_{1}}=1/6{{({{w}_{1}}-0.5)}^{2}}+{{({{w}_{2}}-0.5)}^{2}}$ $(0.5,\ 0.5)$ $J_1$ $(0,0)$ $R=(w_1^2+w_2^2)$ $R$ $R$ $J_2=J_1+R$ $J_2$ $(0.0625,\ 0.25)$ $J_1$ $(0.5,\ 0.5)$ $\mathcal{l}_2$ 正则化本质之处。

$A$ $J_1(\hat{w})$ $0$ $w=\hat{w}$ $J_1$ $\mathcal{l}_2$ $J_2$ $J_2$ $B$ 到底产生了什么样的变化。

\begin{aligned} & {{J}_{1}}=\sum\limits_{i=1}^{m}{{{\left( {{y}^{(i)}}-(\sum\limits_{j=1}^{n}{x_{j}^{(i)}}{{w}_{j}}+b) \right)}^{2}}} \\ & {{J}_{2}}={{J}_{1}}+\frac{\lambda }{2n}\sum\limits_{j=1}^{n}{{{({{w}_{j}})}^{2}}};\ \ (\lambda >0) \\ \end{aligned}\;\;\;\;\;\;\;(3)

$(3)$ $J_2$ $J_1$ $J_2$ $w=\tilde{w}$ $J_2$ $J_2$ $w=\tilde{w}$ $w=\tilde{w}$ $J_1$ $J_1(\tilde{w})\neq0$ $J_2$ $w=\tilde{w}$ $J_1(\tilde{w})>J_1(\hat{w})$ $B$ $A$ $A$ 的过拟合现象。

$(1)$ $\lambda$ $\lambda$ $\lambda$ 又叫做惩罚项（Penalty Term）或者惩罚系数。

$\mathcal{l}_2$ $\mathcal{l}_2$ 正则化则可以看作是使得模型不再那么复杂。但其实两者的原理归结起来都是一回事，那就是通过较小的参数取值，使得模型变得更加简单。

另外值得注意的一点是，很读者对于复杂模型存在着一个误解。认为高次数多项式表示的模型一定比低次数多项式表示的模型复杂，例如5次多项式就要比2次多项式复杂。但高次项代表的仅仅是更大的模型空间，其中既包含了复杂模型，也同时包含了简单模型。只需要将复杂模型对应位置的权重参数调整到更接近于0便可以对其进行简化。如图6所示，如果仅从幂次来看，两个模型一样“复杂”，但实际上虚线对应模型的复杂度要远大于实线对应模型的复杂度。

图 6. 模型空间图

2.3 正则化中的参数更新

$W$ $b$ $\mathcal{l}_2$ 正则化后的变化。

1) 线性回归

\begin{aligned} & J(W,b)=\frac{1}{2m}\sum\limits_{i=1}^{m}{{{\left( {{y}^{(i)}}-({{W}^{T}}{{x}^{(i)}}+b) \right)}^{2}}}+\frac{\lambda }{2n}\sum\limits_{j=1}^{n}{W_{j}^{2}} \\ & \frac{\partial J}{\partial {{W}_{j}}}=\frac{1}{m}\sum\limits_{i=1}^{m}{\left( {{y}^{(i)}}-({{W}^{T}}{{x}^{(i)}}+b) \right)}\cdot (-x_{j}^{(i)})+\frac{\lambda }{n}{{W}_{j}} \\ & \frac{\partial J}{\partial b}=-\frac{1}{m}\sum\limits_{i=1}^{m}{\left( {{y}^{(i)}}-({{W}^{T}}{{x}^{(i)}}+b) \right)} \end{aligned}\;\;\;\;\;\;\;\;(4)

$W_j$ 的梯度后加入了新的一项。

2) 逻辑回归

\begin{aligned} & J(W,b)=-\frac{1}{m}\sum\limits_{i=1}^{m}{\left[ {{y}^{(i)}}\log h({{x}^{(i)}})+(1-{{y}^{(i)}})\log (1-h({{x}^{(i)}})) \right]}+\frac{\lambda }{2n}\sum\limits_{j=1}^{n}{W_{j}^{2}} \\ & \frac{\partial J}{\partial {{W}_{j}}}=-\frac{1}{m}\sum\limits_{i=1}^{m}{\left[ {{y}^{(i)}}-h({{x}^{(i)}}) \right]}x_{j}^{(i)}+\frac{\lambda }{n}{{W}_{j}} \\ & \frac{\partial J}{\partial b}=-\frac{1}{m}\sum\limits_{i=1}^{m}{\left[ {{y}^{(i)}}-h({{x}^{(i)}}) \right]} \end{aligned}\;\;\;\;\;\;\;(5)

$(5)$ $W_j$ $\mathcal{l}_2$ $W_j$ 的梯度增加的都是相同的部分。因此，此时的梯度下降公式为

W=W-\alpha \left( \frac{\partial J}{\partial W}+\frac{\lambda }{n}W \right)=(1-\alpha \frac{\lambda }{n})W-\alpha \frac{\partial J}{\partial W}\;\;\;\;\;\;\;(6)

$(6)$ $\mathcal{l}_2$ $W$ $\mathcal{l}_2$ 正则化又叫做权重衰减（Weight Decay）法[4]。

2.4 正则化示例代码

$\mathcal{l}_2$ 正则化的原理后，下面以加入正则化的线性回归模型为例进行示例。完整代码见Chapter04/04_regularized_regression.py文件。

1) 制作数据集

由于这里要模拟模型的过拟合现象，所以需要先制作一个容易导致过拟合的数据集，例如特征数量远大于训练样本数量。具体代码如下：


1
1 def make_data():
2
2      n_train, n_test, n_features = 50, 100, 100
3
3      w, b = np.ones((n_features, 1)) * 0.2, 2 
4
4      x =np.random.normal(size=(n_train + n_test, n_features))# 
5
5      y = np.matmul(x, w) + b #用来生成正确标签
6
6      y += np.random.normal(scale=0.2, size=y.shape)

在上述代码中，第3行用来初始化权重和偏置；第5-6行用来随机生成样本的输入特征，同时再加上相应的噪音。

2) 定义目标函数

为了后续方便观察模型的收敛情况，需要定义包含正则化项的目标函数，代码如下：


xxxxxxxxxx
6
1
1 def cost_function(X, y, W, bias, lam):
2
2     m, n = X.shape
3
3     y_hat = prediction(X, W, bias)
4
4     J = 0.5 * (1 / m) * np.sum((y - y_hat) ** 2) 
5
5     Reg = lam / (2 * n) * np.sum(W ** 2)         #正则化项
6
6     return J + Reg

在上述代码中，第4行就是普通线性回归中的目标函数；第5行表示正则化项；最后再返回原始目标函数加上正则化项的结果。

3) 定义梯度下降

$W_j$ 的梯度后加上对应正则化方法的梯度即可，代码如下：


xxxxxxxxxx
8
1
1 def gradient_descent(X, y, W, bias, alpha, lam):
2
2     m, n = X.shape
3
3     y_hat = prediction(X, W, bias)
4
4     grad_w = -(1 / m) * np.matmul(X.T, (y - y_hat)) + (lam / n) * W 
5
5     grad_b = -(1 / m) * np.sum(y - y_hat) 
6
6     W = W - alpha * grad_w  
7
7     bias = bias - alpha * grad_b
8
8     return W, bias

整体上与线性回归中定义的梯度下降代码一样，仅仅只是在普通线性回归梯度的最后加上了正则化项对应的梯度。

在定义完上述各个函数后，便可以用来训练带正则化项和不带正则化项（lam参数设为0）的线性回归模型。如图4-17所示，左边为未添加正则化项时训练误差和测试误差的走势。可以明显看出模型在测试集上的误差远大于在训练集上的误差，这就是典型的过拟合现象。右图为使用正则化后模型的训练误差和测试误差，可以看出虽然训练误差有些许增加，但是测试误差得到了很大程度上的降低[4]。这就说明正则化能够很好的缓解模型的过拟合现象。

图 7. 正则化训练结果图

2.5 小结

$\mathcal{l}_2$ $\mathcal{l}_2$ $\mathcal{l}_2$ $\mathcal{l}_2$ $\mathcal{l}_1$ 正则化等，读者可以自行查阅。

3 偏差方差与交叉验证

在第2.4节中，掌柜介绍了什么是正则化，以及正则化为什么能够缓解过拟合的原理。同时我们可以知道，越是复杂的模型越是可能产生过拟合的现象，这也就为模型在其它未知数据集上的预测带来了误差。但是这些误差来自哪里，是怎么产生的呢？知道这些误差的来源后对改善我们的模型有什么样的帮助呢？接下来掌柜就来介绍关于误差分析以及模型选择的若干方法。

3.1 偏差与方差定义

在机器学习的建模中，模型普遍的误差都是来自于偏差（Bias）或方差（Variance）。那什么又是偏差与方差呢？

图 8. 偏差于方差

如图8所示[5]，假设你拿着一把枪打击红色的靶心，在你连打数十枪后出现了以下四种情况：

所有子弹都密集打在靶心旁边的位置，这就是典型的方差小（子弹很集中），偏差大（距离靶心甚远）；

子弹都散落在靶心周围的位置，这就是典型的方差大（子弹很散乱），偏差小（都在靶心附近）；

子弹都散落在靶心旁边的位置，这就是典型的方差大（子弹散乱），偏差大（距离靶心甚远）；

所有子弹都密集打在了红色靶心的位置，这就是典型的方差小（子弹集中），偏差小（都在靶心位置）；

由此可知，偏差描述的是预测值的期望与真实值之间的差距，即偏差越大，越偏离真实值，如图8第2行所示。方差描述的是预测值之间的变化范围（离散程度），也就是离其期望值的距离。即方差越大，数据的分布越分散，如图8右列所示。

3.2 模型的偏差与方差

$\hat{y}=C$ $C$ ，那么其对应的方差就会是0。对于偏差来说，一个简单的模型容易产生较高偏差（High Bias），而复杂的模型容易产生较低的偏差（Low Bias），这是由于越复杂的模型越容易拟合更多的样本。

图 9. 模型偏差与方差图

如图9所示为模型的偏差、方差与模型复杂度的变化情况。从图中可以看出，方差随着模型的复杂度增大而上升，偏差与之恰好相反。同时，如果一个模型的主要误差来自于较大的方差，那么这个模型呈现出的就是过拟合的现象；而一个模型的主要误差来自于较大的偏差时，那么此时模型呈现出的就是欠拟合现象。

总结就是，模型的高方差与高偏差分别对应过拟合与欠拟合。如果一个模型不能很好的拟合训练样本，那么此时模型呈现的就是高偏差（欠拟合）的状态；如果是能够很好的拟合训练样本，但是在测试集上有较大的误差，这就意味着此时模型出现了高方差（过拟合）的状态。因此，当模型出现这类情况时，我们完全可以按照前面处理过拟合与欠拟合的方法对模型进行改善，然后在这两者之间进行平衡。

3.3 超参数选择

$\lambda$ $\alpha$ 、以及特征映射时多项式的次数，其中最为重要的就是前面两个。

$\lambda$

$\lambda$ $\lambda$ 来使得模型的泛化能力尽可能好。

$\alpha$

在介绍线性回归的求解过程中，掌柜首次介绍了梯度下降算法，如式所示。

W=W-\alpha \cdot \frac{\partial J}{\partial W}\;\;\;\;\;\;\;(7)

$\alpha$ $\alpha$ $\alpha$ 同样能使得目标函数在峡谷的两边来回振荡，以至于需要多次迭代才能得到最优解（甚至可能得不到最优解）。

$ite$ 表示迭代次数。

图 10. 凸函数优化过程图

从图10可以看出，当学习率为0.4时，模型大概在迭代12次后就基本达到了全局最优解。当学习率为3.5时，模型在大约迭代12次后同样能够收敛于全局最优解附近。但是，当学习率为4.1时，此时的模型已经处于了发散状态。可以发现，由于模型的目标函数为凸函数（例如线性回归），所以尽管使用了较大的学习率3.5，目标函数依旧能够收敛。但在后面的学习过程中，遇到更多的情况便是非凸型的目标函数，此时的模型对于学习率的大小将会更加敏感。

$ite$ 表示迭代次数。

图 11. 非凸函数优化过程图

从图11可以看出，当采用较小的学习率0.02时，模型在迭代20次后陷入了局部最优解（Local Optimum）；并且可以知道此时无论再继续迭代多少次，其依旧会收敛于此处，因为它的梯度已经开始接近于0，而使得参数无法得到更新。当采用较大一点的学习率0.4时，模型在迭代4次后便能收敛于全局最优解附近。当采用学习率为0.6时，模型在这20次的迭代过程中总是来回振荡，并且没有一次接近于全局最优解。

从上面两个示例的分析可以得出，学习率的大小对于模型的收敛性以及收敛速度有着严重的影响，且非凸函数在优化过程中对于学习率的敏感性更大。同时值得注意的是，所谓学习率过大或者过小，在不同模型间没有可比性。例如在上面凸函数的图示中学习率为0.4时可能还算小，但是在非凸函数的这个例子中0.4已经算是相对较大了。

$\alpha=[0.001,0.03,0.1,0.3,1]$ $\lambda=[0.1,0.3,1,3,10]$ ；然后再根据不同的超参数组合训练得到不同的模型（比如这里就有25个备选模型），然后再通过4.5.4节介绍的交叉验证来确立模型。不过这一整套的步骤sklearn也有现成的类方法可以使用，并且使用起来也非常方便，在下面第4节中将会通过一个详细的示例进行说明。不过随着介绍的模型越来越复杂，就会出现更多的超参数组合，训练一个模型也会花费一定的时间。因此，对于模型调参的一个基础就是要理解各个参数的含义，这样才可能更快的排除不可能的参数取值，以便于更快的训练出可用的模型。

3.4 模型选择

当在对模型进行改善时，自然而然的就会出现很多备选模型。而我们的目的便是尽可能的选择一个较好的模型，以达到低偏差与低方差之间的平衡。那该如何选择一个好的模型呢？通常来说有两种方式：第一种就是1.3节中介绍过的将整个数据集划分成3部分的方式；第二种则是使用K折交叉验证（K-fold Cross Validation）[6]的方式。对于第一种方法，其步骤为先在训练集上训练不同的模型，然后在验证集上选择其中表现最好的模型，最后在测试集上测试模型的泛化能力。但是这种做法的缺点在于，对于数据集的划分可能恰好某一次划分出来的测试集含有比较怪异的数据，导致模型表现出来的泛化误差也很糟糕。那么此时就可以通过K折交叉验证来解决。

如图12所示，以3折交叉验证为例，首先需要将整个完整的数据集分为训练集与测试集两个部分。并且同时再将训练集划分成3份，每次选择其中两份作为训练数据，另外一份作为验证数据进行模型的训练与验证，最后再选择平均误差最小的模型。

图 12. 交叉验证划分图

假设现在有4个不同的备选模型，其各自在不同验证集上的误差如表1所示。根据得到的结果，可以选择平均误差最小的模型2作为最终选择的模型。然后再将其用整个大的训练集训练一次，最后用测试集测试其泛化误差。当然，还有一种省略的交叉验证方式，即一开始并不再划分出测试集，而是直接将整个数据划分成为K份进行交叉验证，然后选择平均误差最小的模型即可。整个详细的示例过程将在4节内容中进行介绍。

表 1. 三折交叉验证划分表

3.5 小结

在这节内容中，掌柜首先通过一个例子直观地介绍了什么是偏差与方差，以及在机器学习中当模型出现高偏差与高方差时所对应的现象和处理方法；然后介绍了什么是超参数以及超参数能够给模型带来什么样的影响；最后介绍了在改善模型的过程中如何通过K折交叉验证来进行模型的选择。在4节内容中，掌柜将通过一个真实的例子来对上述过程进行完整的介绍。

4 实例分析手写体识别

经过前面几节的介绍，我们对模型的改善与泛化已经有了一定的认识。下面掌柜就通过一个实际的手写体分类任务进行示范，介绍一下常见的操作流程。同时顺便介绍一下sklearn和matplotlib中常见方法的使用，完整代码见Chapter04/05_digits_classification.py文件。

4.1数据预处理

1) 载入数据集

首先，需要载入训练模型时所用到的数据集。这里以sklearn中常见的手写体数据集load_digits为例，代码如下：


xxxxxxxxxx
3
1
1 def load_data():
2
2     data = load_digits()
3
3     x, y = data.data, data.target

load_digits数据集一共包含有1797个样本10个类别，每个样本包含有64个特征维度。在载入完成后还可以对其进行可视化，如图13所示。

图13 手写体可视化图

2) 划分数据集

其次，在开始进行标准化之前，需要将数据集分割成训练集和测试集两个部分，这里可以借助sklearn中的train_test_split方法来完成，代码如下：


xxxxxxxxxx
5
1
1 from sklearn.model_selection import train_test_split
2
2 def load_data():
3
3     #此处接“1.载入数据集”中代码
4
4     x_train, x_test, y_train, y_test = \
5
5             train_test_split(x, y, test_size=0.3, random_state=20)

在上述代码中，第5行里test_size=0.3表示测试集的比例为30%，random_state=20表示设置一个状态值，它的作用是使得每次划分的结果都是一样的，同时也可以设置其它值。同时，在sklearn中对于包含随机操作的函数或者方法，一般都有这个参数，固定下来的目的是便于其他人复现你的结果。

3) 对训练集标准化

$\mu$ $\sigma$ 。这里以可以借助sklearn中的StandardScaler方法来完成，代码如下：


xxxxxxxxxx
5
1
1 from sklearn.preprocessing import StandardScaler
2
2 def load_data():
3
3     #此处接“2.划分数据集”中代码
4
4     ss = StandardScaler()
5
5     x_train = ss.fit_transform(x_train)

在上述代码中，第4行用来定义标准化方法；第5行先计算每个维度需要用到的均值和方差，然后再对每个维度进行标准化；同时，第5行也可以分开来写，如下：


xxxxxxxxxx
5
1
1 def load_data():
2
2     #此处接“2.划分数据集”中代码
3
3     ss = StandardScaler()
4
4     ss.fit(x_train) #先计算每3个维度需要用到的均值和方差 
5
5     x_train = ss.transform(x_train)#再对每个维度进行标准化

4) 对测试集标准化

最后，利用在训练集上计算得到的参数，对测试集（以及未来的新数据）进行标准化，代码如下：


xxxxxxxxxx
3
1
1 def load_data():
2
2     #此处接“3.对训练集标准化”中代码
3
3     x_test = ss.transform(x_test)

这里只能使用.transform()方法来对测试集进行标准化，因为在第2步中已经在训练集上得到了标准化所需要用到的参数（均值和方差）。如果这里再使用.fit_transform()方法来进行标准化，那么便是根据测试集中的参数来对测试集进行标准化，而这将严重影响模型在未来新数据上的泛化能力。

注意：无论用什么方法对数据集进行标准化，都必需要遵循上述的4个步骤。

4.2 模型选择

正如3节中的介绍，不同的模型实际上是根据选择不同的超参数所形成的。因此，选择模型的第一步就是确定好有哪些可供选择的超参数，以及每个超参数可能的取值。由于此处将采用逻辑回归算法对图片进行分类，所以目前涉及到的超参数仅有学习率和惩罚系数。下面，就根据3节中介绍的方法来一步步完成模型的选择过程。

1) 列举超参数

根据分析，这里需要列出学习率和惩罚系数的可能取值，代码如下：


xxxxxxxxxx
2
1
1 learning_rates = [0.001, 0.03, 0.01, 0.03, 0.1, 0.3, 1, 3]
2
2 penalties = [0, 0.01, 0.03, 0.1, 0.3, 1, 3]

在这里，取值方法一般来说可以每次扩大3倍，但是也可以每次都增加相同的步长（例如0.002），只不过这需要花费更多的时间来遍历完所有可能的超参数组合，具体可以视情况而定。

2) 定义模型

在列举出所有参数的可能取值后，就需要遍历所有的参数组合，代码如下：


xxxxxxxxxx
6
1
1 from sklearn.linear_model import SGDClassifier
2
2 for learning_rate in learning_rates:
3
3     for penalty in penalties:
4
4         print(f"训练模型:learning_rate={learning_rate}, penalty={penalty}")
5
5          model = SGDClassifier(loss='log', penalty='l2', 
6
6             learning_rate = 'constant', eta0=learning_rate, alpha=penalty)

在上述代码中，第5行使用的是sklearn中的SGDClassifier类来建立逻辑回归模型。它与第3章中介绍的LogisticRegression的区别在于，前者并没有通过梯度下降来进行参数求解，而后者使用的便是梯度下降算法进行求解。同时，在SGDClassifier中可以通过loss='log'penalty='l2' $\mathcal{l}_2$ 正则化；通过learning_rate='constant'来指定使用自定义的学习率，即根据eta0=learning_rate来设定，因为默认SGDClassifier中的学习率都是根据训练过程动态适应的；通过alpha=penalty来指定相应的惩罚系数。

3) 交叉验证

根据不同的超参数组合定义得到不同的模型后，就需要对训练集进行划分以实现模型的交叉验证。在这里可以借助sklearn中的KFold方法来对训练集进行划分，代码如下：


xxxxxxxxxx
8
1
1 from sklearn.model_selection import KFold
2
2 model = ……此处接“2.定义模型”中代码
3
3 kf = KFold(n_splits=k, shuffle=True, random_state=10)
4
4 for train_index, dev_index in kf.split(X):
5
5     X_train, X_dev = X[train_index], X[dev_index]
6
6     y_train, y_dev = y[train_index], y[dev_index]
7
7     model.fit(X_train, y_train)
8
8     s = model.score(X_dev, y_dev)

在上述代码中，第3行用来生成交叉验证时样本对应的索引，其中n_splits=k表示使用k折交叉验证，shuffle=True表示在划分时对训练集进行随机打乱；第4行用来取每一次交叉验证时样本的索引，即根据这些索引来获取每次对应的训练集和验证集。最后再调用模型中的.fit()方法来进行训练。

当执行完上述代码后，便能够得到如下所示的运行结果：


xxxxxxxxxx
5
1
1 正在训练模型: learning_rate = 0.001, penalty = 0
2
2 正在训练模型: learning_rate = 0.001, penalty = 0.01
3
3 ……
4
4 正在训练模型: learning_rate = 3, penalty = 3
5
5 最优模型:  [0.9554322392967812, 0.03, 0]

经过交叉验证的选择后可以发现，当学习率为0.03，惩罚系数为0时对应的模型为最优模型。同时，由于备选的学习率有8个，备选的惩罚系数有7个，并且这里采用了5折交叉验证，因此一共就需要拟合280次模型。

4.3模型测试

通过交叉验证选择完模型后，就可以再用完整的训练集对该模型进行训练，然后在测试集上测试其泛化误差，代码如下：


xxxxxxxxxx
5
1
1 model = SGDClassifier(loss='log', penalty='l2', 
2
2     learning_rate='constant',eta0=0.03, alpha=0.0)
3
3 model.fit(x_train, y_train)
4
4 y_pred = model.predict(x_test)
5
5 print(classification_report(y_test, y_pred))

在运行完上述代码后，便能够得到如下结果：


xxxxxxxxxx
4
1
1                precision    recall  f1-score   support
2
2 accuracy                                0.96       540
3
3    macro avg       0.96      0.96       0.96       540
4
4 weighted avg       0.96      0.96       0.96       540

到此，对于一个模型从数据预处理到模型选择，再到模型测试的全部流程就介绍完了。不过上述过程在模型选择部分需要自己来手动划分数据集进行交叉验证选择模型，这样看起来稍微有点繁琐。不过好在sklearn已经将上述过程进行了封装，只需要几行代码就能实现上述完整过程。这部分内容将在第5章中进行介绍。

4.4 小结

在本节中，掌柜首先通过逻辑回归算法进行了手写体分类的示例，介绍了如何对数据集进行预处理以及其对应的完整流程；接着介绍了如何对备选模型进行选择，包括列举超参数、定义模型以及进行交叉验证等步骤；最后介绍了如何测试最优模型的泛化误差。

本次内容就到此结束，感谢您的阅读！如果你觉得上述内容对你有所帮助，欢迎分享至一位你的朋友！若有任何疑问与建议，请添加掌柜微信'nulls8'或加群进行交流。青山不改，绿水长流，我们月来客栈见！

引用

[1]Ian，Goodfellow, et al. Deep Learning. 深度学习中文译本人民邮电出版社

[2]Andrew Ng, Machine Learning, Stanford University, CS229, Spring 2019.

[3]Hung-yi Lee, Machine Learning, National Taiwan University, 2020, Spring.

[4]李沐, 动手学深度学习, 人民邮电出版社

[5]图片来自：http://scott.fortmann-roe.com/docs/BiasVariance.html

[6]Hung-yi Lee, Machine Learning, National Taiwan University, 2020, Spring.