0. 前言

之前的课程讲解了为了避免overfitting，可以使用regularization方法来解决。在之前的$E_{in}$上加上一个regularizer，生成$E_{aug}$，选择合适的$\lambda$将其最小化，通过减小模型复杂度来增加泛化能力。今天将会介绍另一种增加泛化能力的方法：Validation。

1. Model Selection Problem

• 在机器学习中，模型选择一直是一个比较麻烦的问题。首先是我们选择算法，有PLA、Pocket、逻辑回归、线性回归一堆算法可以挑选，选完算法之后是迭代次数T的选择，之后是学习速率η的选择，接着是模型特征转换Φ的选择然后是正则化regularizer的选择，有L2，L1等等；最后是正则化系数λ的选择。不同的搭配，有不同的机器学习效果。我们的目标就是找到最合适的搭配，构建最好的机器学习模型。
  
• 我们可以做出一个独立于训练样本的测试集，分别对每个模型进行测试，选择$E_{test}$最小的模型。测试集需要从训练集中分离出来，前提是两者是独立同分布的。

2. Validation

• Validation过程：讲已有的数据集D分成两部分：测试集$D_{val}$和训练集$D_{train}$。对M个分类器分别对测试集和训练集进行分类，最后得到每个分类器的$E_{val}$和$E_{train}$，其中在测试集中表现最好的分类器（$E_{val}$最小）为最好的分类器。
  

3. Leave-One-Out Cross Validation

• 留一交叉验证：使用训练集对分类器进行训练过之后，使用每一个数据作为测试集进行测试，得到一个误差$e_n$，对所有数据便利一遍并取平均值，得到平均误差$E_{lopval}$此为留一交叉验证。
• error 与特征数量的关系如下图所示：
  
  $E_{in}$：已有数据误差
  $E_{out}$：泛化的数据误差
  $E_{cv}$：留一交叉验证误差
  可以看到我们只要保证$E_{cv}$尽可能小，就能近似的达到$E_{out}$尽可能小。

4. V-Fold Cross Validation

• 留一交叉验证的缺点：

  1. 计算量：有N个数据，就要计算N次。
  2. 稳定性：如果是个二分问题，预测本身存在不稳定的因素，结果会存在很大的跳动，稳定性不好。

• 改进方法：V折交叉验证：讲数据先分成几分，比如N=1000，取V=10，那么数据分成十份、每份数据100个样本。每一份的误差为其中样本的平均误差，最终结果为每一份的平均误差。这么处理之后，有更强的稳定性且计算量减少了10倍。

5. 总结

这一节课主要讲解了Validation方法，即讲样本分为训练样本和测试样本。比较了留一交叉验证和V-折交叉验证方法，其中V-折交叉验证是最常用的验证方法。