# 13 -- Hazard of Overfitting
上節課我們主要介紹了非線性分類模型，通過非線性變換，將非線性模型映射到另一個空間，轉換為線性模型，再來進行分類，分析了非線性變換可能會使計算復雜度增加。本節課介紹這種模型復雜度增加帶來機器學習中一個很重要的問題：過擬合（overfitting）。
### **一、What is Overfitting?**
首先，我們通過一個例子來介紹什么bad generalization。假設平面上有5個點，目標函數f(x)是2階多項式，如果hypothesis是二階多項式加上一些小的noise的話，那么這5個點很靠近這個hypothesis，很小。如果hypothesis是4階多項式，那么這5點會完全落在hypothesis上，。雖然4階hypothesis的比2階hypothesis的要好很多，但是它的很大。因為根據VC Bound理論，階數越大，即VC Dimension越大，就會讓模型復雜度更高，更大。我們把這種很小，很大的情況稱之為bad generation，即泛化能力差。
我們回過頭來看一下VC曲線：
hypothesis的階數越高，表示VC Dimension越大。隨著VC Dimension增大，是一直減小的，而先減小后增大。在位置，取得最小值。在右側，隨著VC Dimension越來越大，越來越小，接近于0，越來越大。即當VC Dimension很大的時候，這種對訓練樣本擬合過分好的情況稱之為過擬合（overfitting）。另一方面，在左側，隨著VC Dimension越來越小，和都越來越大，這種情況稱之為欠擬合（underfitting），即模型對訓練樣本的擬合度太差，VC Dimension太小了。
bad generation和overfitting的關系可以理解為：overfitting是VC Dimension過大的一個過程，bad generation是overfitting的結果。
一個好的fit，和都比較小，盡管沒有足夠接近零；而對overfitting來說，，但是很大。那么，overfitting的原因有哪些呢？
我們舉個開車的例子，把發生車禍比作成overfitting，那么造成車禍的原因包括：
* **車速太快（VC Dimension太大）；**
* **道路崎嶇（noise）；**
* **對路況的了解程度（訓練樣本數量N不夠）；**
也就是說，VC Dimension、noise、N這三個因素是影響過擬合現象的關鍵。
### **二、The Role of Noise and Data Size**
為了盡可能詳細地解釋overfitting，我們進行這樣一個實驗，試驗中的數據集不是很大。首先，在二維平面上，一個模型的分布由目標函數f(x)（x的10階多項式）加上一些noise構成，下圖中，離散的圓圈是數據集，目標函數是藍色的曲線。數據沒有完全落在曲線上，是因為加入了noise。
然后，同樣在二維平面上，另一個模型的分布由目標函數f(x)（x的50階多項式）構成，沒有加入noise。下圖中，離散的圓圈是數據集，目標函數是藍色的曲線。可以看出由于沒有noise，數據集完全落在曲線上。
現在，有兩個學習模型，一個是2階多項式，另一個是10階多項式，分別對上面兩個問題進行建模。首先，對于第一個目標函數是10階多項式包含noise的問題，這兩個學習模型的效果如下圖所示：
由上圖可知，2階多項式的學習模型，；10階多項式的學習模型，。雖然10階模型的比2階的小，但是其要比2階的大得多，而2階的和相差不大，很明顯用10階的模型發生了過擬合。
然后，對于第二個目標函數是50階多項式沒有noise的問題，這兩個學習模型的效果如下圖所示：
由上圖可知，2階多項式的學習模型，；10階多項式的學習模型，。雖然10階模型的比2階的小，但是其要比2階的大得多的多，而2階的和相差不大，很明顯用10階的模型仍然發生了明顯的過擬合。
上面兩個問題中，10階模型都發生了過擬合，反而2階的模型卻表現得相對不錯。這好像違背了我們的第一感覺，比如對于目標函數是10階多項式，加上noise的模型，按道理來說應該是10階的模型更能接近于目標函數，因為它們階數相同。但是，事實卻是2階模型泛化能力更強。這種現象產生的原因，從哲學上來說，就是“以退為進”。有時候，簡單的學習模型反而能表現的更好。
下面從learning curve來分析一下具體的原因，learning curve描述的是和隨著數據量N的變化趨勢。下圖中左邊是2階學習模型的learning curve，右邊是10階學習模型的learning curve。
我們的第9次課的筆記 [NTU林軒田機器學習基石課程學習筆記9 – Linear Regression](http://blog.csdn.net/red_stone1/article/details/71599034)已經介紹過了learning curve。在learning curve中，橫軸是樣本數量N，縱軸是Error。和可表示為：
其中d為模型階次，左圖中d=2，右圖中d=10。
本節的實驗問題中，數據量N不大，即對應于上圖中的灰色區域。左圖的灰色區域中，因為d=2，和相對來說比較接近；右圖中的灰色區域中，d=10，根據和的表達式，很小，而很大。這就解釋了之前2階多項式模型的更接近，泛化能力更好。
值得一提的是，如果數據量N很大的時候，上面兩圖中和都比較接近，但是對于高階模型，z域中的特征很多的時候，需要的樣本數量N很大，且容易發生維度災難。關于維度災難的詳細生動解釋，請參考我另一篇博文：
[機器學習中的維度災難](http://blog.csdn.net/red_stone1/article/details/71692444)
另一個例子中，目標函數是50階多項式，且沒有加入noise。這種情況下，我們發現仍然是2階的模型擬合的效果更好一些，明明沒有noise，為什么是這樣的結果呢？
實際上，我們忽略了一個問題：這種情況真的沒有noise嗎？其實，當模型很復雜的時候，即50階多項式的目標函數，無論是2階模型還是10階模型，都不能學習的很好，這種復雜度本身就會引入一種‘noise’。所以，這種高階無noise的問題，也可以類似于10階多項式的目標函數加上noise的情況，只是二者的noise有些許不同，下面一部分將會詳細解釋。
### **三、Deterministic Noise**
下面我們介紹一個更細節的實驗來說明 什么時候小心overfit會發生。假設我們產生的數據分布由兩部分組成：第一部分是目標函數f(x)，階多項式；第二部分是噪聲，服從Gaussian分布。接下來我們分析的是noise強度不同對overfitting有什么樣的影響。總共的數據量是N。
那么下面我們分析不同的和對overfit的影響。overfit可以量化為。結果如下：
上圖中，紅色越深，代表overfit程度越高，藍色越深，代表overfit程度越低。先看左邊的圖，左圖中階數固定為20，橫坐標代表樣本數量N，縱坐標代表噪聲水平。紅色區域集中在N很小或者很大的時候，也就是說N越大，越小，越不容易發生overfit。右邊圖中，橫坐標代表樣本數量N，縱坐標代表目標函數階數。紅色區域集中在N很小或者很大的時候，也就是說N越大，越小，越不容易發生overfit。上面兩圖基本相似。
從上面的分析，我們發現對overfit是有很大的影響的，我們把這種noise稱之為stochastic noise。同樣地，即模型復雜度也對overfit有很大影響，而且二者影響是相似的，所以我們把這種稱之為deterministic noise。之所以把它稱為noise，是因為模型高復雜度帶來的影響。
總結一下，有四個因素會導致發生overfitting：
* **data size N **
* **stochastic noise **
* **deterministic noise **
* **excessive power **
我們剛才解釋了如果目標函數f(x)的復雜度很高的時候，那么跟有noise也沒有什么兩樣。因為目標函數很復雜，那么再好的hypothesis都會跟它有一些差距，我們把這種差距稱之為deterministic noise。deterministic noise與stochastic noise不同，但是效果一樣。其實deterministic noise類似于一個偽隨機數發生器，它不會產生真正的隨機數，而只產生偽隨機數。它的值與hypothesis有關，且固定點x的deterministic noise值是固定的。
### **四、Dealing with Overfitting**
現在我們知道了什么是overfitting，和overfitting產生的原因，那么如何避免overfitting呢？避免overfitting的方法主要包括：
* **start from simple model**
* **data cleaning/pruning**
* **data hinting**
* **regularization**
* **validataion**
這幾種方法類比于之前舉的開車的例子，對應如下：
regularization和validation我們之后的課程再介紹，本節課主要介紹簡單的data cleaning/pruning和data hinting兩種方法。
data cleaning/pruning就是對訓練數據集里label明顯錯誤的樣本進行修正（data cleaning），或者對錯誤的樣本看成是noise，進行剔除（data pruning）。data cleaning/pruning關鍵在于如何準確尋找label錯誤的點或者是noise的點，而且如果這些點相比訓練樣本N很小的話，這種處理效果不太明顯。
data hinting是針對N不夠大的情況，如果沒有辦法獲得更多的訓練集，那么data hinting就可以對已知的樣本進行簡單的處理、變換，從而獲得更多的樣本。舉個例子，數字分類問題，可以對已知的數字圖片進行輕微的平移或者旋轉，從而讓N豐富起來，達到擴大訓練集的目的。這種額外獲得的例子稱之為virtual examples。但是要注意一點的就是，新獲取的virtual examples可能不再是iid某個distribution。所以新構建的virtual examples要盡量合理，且是獨立同分布的。
### **五、總結**
本節課主要介紹了overfitting的概念，即當很小，很大的時候，會出現overfitting。詳細介紹了overfitting發生的四個常見原因data size N、stochastic noise、deterministic noise和excessive power。解決overfitting的方法有很多，本節課主要介紹了data cleaning/pruning和data hinting兩種簡單的方法，之后的課程將會詳細介紹regularization和validataion兩種更重要的方法。
**_注明：_**
文章中所有的圖片均來自臺灣大學林軒田《機器學習基石》課程
- 臺灣大學林軒田機器學習筆記
- 機器學習基石
- 1 -- The Learning Problem
- 2 -- Learning to Answer Yes/No
- 3 -- Types of Learning
- 4 -- Feasibility of Learning
- 5 -- Training versus Testing
- 6 -- Theory of Generalization
- 7 -- The VC Dimension
- 8 -- Noise and Error
- 9 -- Linear Regression
- 10 -- Logistic Regression
- 11 -- Linear Models for Classification
- 12 -- Nonlinear Transformation
- 13 -- Hazard of Overfitting
- 14 -- Regularization
- 15 -- Validation
- 16 -- Three Learning Principles
- 機器學習技法
- 1 -- Linear Support Vector Machine
- 2 -- Dual Support Vector Machine
- 3 -- Kernel Support Vector Machine
- 4 -- Soft-Margin Support Vector Machine
- 5 -- Kernel Logistic Regression
- 6 -- Support Vector Regression
- 7 -- Blending and Bagging
- 8 -- Adaptive Boosting
- 9 -- Decision Tree
- 10 -- Random Forest
- 11 -- Gradient Boosted Decision Tree
- 12 -- Neural Network
- 13 -- Deep Learning
- 14 -- Radial Basis Function Network
- 15 -- Matrix Factorization
- 16（完結） -- Finale