机器学习基石-Nonlinear Transformation

大纲

Quadratic Hypotheses

线性模型虽然简单，dVC很小，Ein≈Eout,但是对于某些线性不可分的数据，会导致Ein太大，那这样的分类器效果也不是很好。我们如何打破线性模型的限制呢？

Circular Separable

虽然上面的数据点线性不可分，但是他可以用一个圆圈分开，我们从这里得到启发，是否我们可以设计Circular-PLA,Circular-Regression算法来进行分类

Circular Separable and Linear Separable

这种xn⇒zn的转换可以看成是x空间的点映射到z空间中去，而在z域中，可以用一条直线进行分类，也就是从x空间的圆形可分映射到z空间的线性可分。z域中的直线对应于x域中的圆形。因此，我们把xn⇒zn这个过程称之为特征转换（Feature Transform）。通过这种特征转换，可以将非线性模型转换为另一个域中的线性模型。



已知x域中圆形可分在z域中是线性可分的，那么反过来，如果在z域中线性可分，是否在x域中一定是圆形可分的呢？答案是否定的。由于权重向量w取值不同，x域中的hypothesis可能是圆形、椭圆、双曲线等等多种情况。

General Quadratic Hypothesis Set

对于更加一般的二次假设，还应该包括一次项和常数项



这样子Z空间中一条直线，可以包括X空间的所有二次曲线，所有的直线，或者点。

Nonlinear Transform

Good Quadratic Hypothesis

如果我们的目标是学习一个好的二次假设，那么我们可以把目标转化为在Z域中寻找一个好的分类直线

The Nonlinear Transform Steps

我们可以分为以下几步做



把原始数据从X空间通过一个函数ϕ(x)转化到Z空间，即{(xn,yn)}⇒{(zn,yn)}

通过一个好的线性分类算法A,学习好的参数w̃

返回g(x)=sign(w̃ Tϕ(x))

总结一下，非线性模型 = 非线性变换 + 线性模型

Price of Nonlinear Transform

虽然非线性变换，看起来很强大。好像很强大，让我们来分析非线性变换的代价

Computation/Storage Price

对于Q阶多项式，我们需要的时间复杂度和空间复杂度都是O(Qd)，很难去计算和存储

Model Complexity Price

d̃ +1=O(Qd)

自由变量的数量 = d̃ +1≈dVC(HϕQ)

dVC(HϕQ)≤d̃ +1

所以Q越大，dVC越大

Generalization Issue

我们又回到机器学习最本质的两个问题的权衡了，所以选择一个合适的Q很重要

Structured Hypothesis Sets

Structured Hypothesis Sets

高阶次的假设包含低阶次的假设

高阶次的假设的VC维不小于低阶次的VC维

高阶次假设的训练误差不大于低阶次假设的训练误差

由上图可以看出，随着dVC的增大，Ein逐渐减少，模型复杂度逐渐增大，Eout先变小后增大

在实践中，我们应该先尝试好的模型，看Ein是否足够小,如果不够，则增大假设空间的阶数。