【机器学习】机器学习中的正则化项

在机器学习中我们时常会遇到模型过拟合的问题，这是由于我们所得到的的模型复杂度过大，过于完美地拟合了训练数据，也就导致模型在预测训练数据时效果很好而预测新数据时效果很差。解决过拟合问题的一个典型方法即是：正则化。

1.损失函数和风险函数

首先我们介绍下按照何种标准来选择出最优的模型。这个标准就是由损失函数和风险函数来定义的。损失函数度量的是模型一次预测的好坏，风险函数度量的是平均意义下模型预测的好坏。

监督学习问题是在假设空间$F$中选取模型$f$作为决策函数，对于给定的输入$X$，由$f(X)$给出相应应的输出$\hat{Y}$，这个输出的预测值$f(X)$与真实值$Y$可能一致也可能不一致，用一个损失函数（loss function）或代价函数（cost function）来度量预测错误的程度。损失函数是$f(X)$和$Y$的非负实值函数，记作$L(Y,f(X))$。

常用的损失函数有：

1. 0-1损失函数
   $$L(Y,f(X))=\{\begin{array}{ll}1& Y\ne f(X)\\ 0& Y=f(X)\end{array}$$
2. 平方损失函数
   $$L(Y,f(X))=(Y-f(X){)}^2$$
3. 绝对损失函数
   $$L(Y,f(X))=|Y-f(X)|$$
4. 对数损失函数或对数似然损失函数
   $$L(Y,P(Y|X))=-logP(Y|X)$$

损失函数值越小，模型就越好。由于模型的输入、输出$(X,Y)$是随机变量，遵循联合分布$P(X,Y)$，所以损失函数的期望是
$$R_{exp}(f)=E_p[L(Y,f(X))]=\int L(y,f(x))P(x,y)dxdy$$
上式是在输入空间和输出空间上进行积分，是在理论上模型$f(X)$关于联合分布$P(X,Y)$的平均意义下的损失，成为风险函数（risk function）或期望损失（expected loss）。

我们学习的目标就是选择期望风险最小的模型。但是联合分布$P(X,Y)$是未知的，$R_{exp}(f)$并不能直接求出来，正因为这样，才需要学习。

给定一个训练集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x N , y N ) } T=\{(x_1, y_1), (x_2, y_2),...,(x_N, y_N)\} T={(x1​,y1​),(x2​,y2​),...,(xN​,yN​)}。模型$f(X)$关于训练接的平均损失称为经验风险（empirical risk）或经验损失（empirical loss），记作$R_{emp}$，
$$R_{emp}(f)=\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i))$$
期望风险$R_{exp}(f)$是模型关于联合分布的期望损失，而经验风险$R_{emp}(f)$是模型关于训练样本集合的平均损失。根据大数定律，当样本容量$N$趋于无穷的时候，经验风险$R_{emp}(f)$趋于期望风险$R_{exp}(f)$。因此就想利用经验风险来估计期望风险，但是通常实际应用中训练数据有限，这种估计方法会不理想。这就引出了监督学习中两个基本策略：经验风险最小化和结构风险最小化。

1.1 经验风险最小化

经验风险最小化（empirical risk minimization，ERM）策略认为，经验风险最小的模型就是最优模型。根据这一策略求最优模型即是求解最优问题：
$$\underset{f}{\min }\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i))\text{\hspace{1em}(1)}$$
当样本容量足够大时，经验风险最小化能保证很好的学习效果。如：极大似然估计（maximum likelihood estimation）就是经验风险最小化的一个例子。当模型是条件概率分布，损失函数是对数损失函数时，经验风险最小化就等价于极大似然估计。
但是当样本容量很小时，经验风险最小化学习的效果就难以保证了，常会出现过拟合（over fitting）现象。

1.2 结构风险最小化

结构风险最小化（structural risk minimization，SRM）就是为了防止过拟合而提出的策略，它等价于正则化（regularization）。结构风险是在经验风险上加上表示模型复杂度的正则化项（regularizer）或惩罚项（penalty term）:
$$R_{srm}(f)=\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i))+\lambda J(f)$$
其中$J(f)$为模型的复杂度，模型$f$越复杂，复杂度$J(f)$就越大；反之，模型$f$越简单，复杂度$J(f)$就越小。这个复杂度表示了对复杂模型的惩罚。$\lambda \ge 0$是正则化系数，以权衡经验风险和模型复杂度。结构风险小就会迫使经验风险和模型复杂度都小。如：贝叶斯估计中的最大后验概率估计就是结构风险最小化的一个例子。当模型是条件概率分布、损失函数是对数损失函数、模型复杂度由模型的先验概率表示时，结构风险最小化等价于最大后验概率估计。

结构风险最小化策略认为结构风险最小的模型是最优模型。所以根据此策略求最优模型就是求解最优问题：
$$\underset{f}{\min }\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i))+\lambda J(f)\text{\hspace{1em}(2)}$$

所以监督学习问题就变成了经验风险或结构风险函数的最优化问题$(1)$和$(2)$。此时经验风险或结构风险函数就是最优化的目标函数。

2. 过拟合

过拟合是指学习时选择的模型所包含的参数过多，以致于出现这一模型对已知数据预测很好，但对未知数据预测很差的现象。比如在吴恩达机器学习课程中的一个多项式拟合的问题，如图：

左侧图像表示欠拟合情况，指模型还未很好地捕捉住数据特性，对数据拟合不好。
右图即是过拟合情况，得益于高次多项式参数复杂，模型能够非常完美地拟合数据点，但是它太过完美了，只关注在了训练数据特性上，没有抓住数据背后真正的趋势/规律，因此对于新出现的数据点预测效果会很差。
中图即是较好的拟合情况，抓住了数据规律，对新数据预测也有较好效果，鲁棒性较好。

如何解决过拟合问题呢？一个方法就是下面将要说的正则化。

3. 正则化

如前文所说，正则化是结构风险最小化策略的实现，是在经验风险加上一个正则化项或者惩罚项。正则化项一般是模型复杂度的单调递增函数，模型越复杂，正则化值越大。正则化项可以是模型参数向量的范数。正则化一般具有以下形式：
$$\underset{f}{\min }\frac{1}{N}\sum _{i=1}^{N}L(y_i,f(x_i))+\lambda J(f)$$
其中第1项为经验风险，第2项为正则化项，$\lambda \ge 0$为正则化系数。

以线性回归为例，给定数据集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x N , y N ) } T=\{(x_1, y_1), (x_2, y_2),...,(x_N, y_N)\} T={(x1​,y1​),(x2​,y2​),...,(xN​,yN​)}，其中$x\in {\mathbb{R}}^d$，$y\in \mathbb{R}$。$x$有$d$维特征，$y$为一个实值量。在最基本的线性回归模型中，以平方误差为损失函数，我们的优化目标如下：
$$\underset{w}{\min }\frac{1}{N}\sum _{i=1}^N(f(x_i;w)-y_i{)}^2\text{\hspace{1em}(3)}$$
其中$f(x_i;w)=w^{T}x$。
但是当样本特征很多，而样本数量相对较少的时候，上式很容易出现过拟合。为了缓解过拟合问题，可以对$(3)$式引入正则化项。

若正则化项为$L_2$范数，则有：
$$\underset{w}{\min }\frac{1}{N}\sum _{i=1}^N(f(x_i;w)-y_i{)}^2+\frac{\lambda }{2}\parallel w{\parallel }_2^2\text{\hspace{1em}(4)}$$
其中$\parallel w{\parallel }_2^2$表示向量$w$的$L_2$范数的平方，即向量元素的平方和${\sum }_{i=1}^d{w}_i^2$，通常不考虑偏置。正则化系数$\frac{\lambda }{2}>0$，这个$\frac{1}{2}$仅是为了在求导的时候消去$L_2$范数的平方。$(4)$式又称为“岭回归”（ridge regression），通过引入$L_2$正则化项，能有效降低过拟合风险。

若正则化项为$L_1$范数，则有：
$$\underset{w}{\min }\frac{1}{N}\sum _{i=1}^N(f(x_i;w)-y_i{)}^2+\lambda \parallel w{\parallel }_1\text{\hspace{1em}(5)}$$
其中$\parallel w{\parallel }_1$表示向量$w$的$L_1$范数，即向量元素的绝对值之和${\sum }_{i=1}^d|w_i|$。正则化系数$\lambda >0$。$(5)$式被称为LASSO（Least Absolute Shrinkage and Selection Operator）。

$L_1$范数和$L_2$范数都有助于降低过拟合风险，但$L_1$范数还能够带来“稀疏”解，即求得的$w$有更少的非零分量。所以它们的主要作用是：

• $L_1$范数可以产生稀疏权值，可以用来特征选择。
• $L_2$范数可以防止过拟合。同样$L_1$范数也可以起到一定程度的防止过拟合作用。

3.1 $L_1$正则化

$L_1$正则化是如何产生“稀疏”解的呢？如何让某些参数为0的呢？同样还是拿大家常来解释这个作用的例子来看一下，研究线性回归损失函数，假设我们获取的数据$x_i$仅有两个特征，在解$(4)$或$(5)$式得到的$w$是一个2维向量，即$w_1$和$w_2$，然后将$L_1$正则化项和平方误差项的等值线绘制在平面直角坐标系中。如：

上图中蓝色线表示平方误差项的等值线，即取值相同点的连线。红色线表示$L_1$正则化项的等值线。

平方误差项和$L_1$正则化项的交点$w^{\ast }$即是$(5)$式的最优解，可以看出来平方误差项和$L_1$正则化项的交点经常出现在坐标轴位置上，即某一维的取值会为0，比如上图中的$w_1=0$，这就相当于参数变少了，变得“稀疏”了。（至于为什么交点会在坐标轴上，个人的理解，只有当平方损失项正对着$L_1$正则化项才会在边上相交，否则很大概率会先交在顶点处。）类似地，对于高维$w$向量，$L_1$正则化项的形状会是有多个突出的角，这些角与平方损失项相交会比$L_1$其他部位与之相交的概率高，也就让某些维度的取值为0了。

再一点就是$\lambda$取值的影响，$\lambda$取值越大，说明对模型参数惩罚越厉害，当然参数就越小了，由此$L_1$正则化项的形状就越小，这样就可能出现欠拟合的情况，平方损失项与$L_1$正则化项早早地相交了（或者说$w$各维度取值都趋近0），还没往极值点处靠近就停止了。反之$\lambda$取值越小，说明对模型参数惩罚越弱，参数就越大了，因此$L_1$正则化项的形状就越大。

从参数更新角度来看$L_1$正则化项的作用，这里就直接贴李宏毅《机器学习2017》课件中的推导了：

上图中的$L(\theta )$即前文所述的经验损失函数，$L^{\prime }(\theta )$表示一个新函数，注意这里不是函数的导数。
由最后推导得到的参数更新公式可以看出，$L_1$正则化项起到的作用相当于每次迭代更新使得权重$w$都减一个正实数或者加一个负实数，使得$w$中元素值都向0靠近。

3.2 $L_2$正则化

同样地，还是上一节的假设背景，不过是解$(4)$式，也将$(4)$中前一部分平方损失项和后一部分$L_2$正则化项的等值线画出来，如图：

上图中蓝色线表示平方误差项的等值线，即取值相同点的连线。红色线表示$L_2$正则化项的等值线。

同样交点$w^{\ast }$是$(4)$式的最优解，从图中可见，$w^{\ast }$取值位置大多在某个象限内，即$w_1$或$w_2$均不为0，$L_2$正则化项会选择多个维度特征，而这些对应维度的参数都很小。

$\lambda$的取值对$L_2$正则化项的形状影响同上一节中所说的。

周志华《机器学习》中的图示将$L_1$和$L_2$画在了一起，看起来更有对比性：

除此之外，$L_2$正则化还被称为权重衰减（weight decay）。其参数更新上的作用如下，同样来自李宏毅课件：

从图中可以看出，$L_2$正则化项在参数更新时起到的作用，即是每次迭代参数权重都会乘上一个小于1的系数，经过多次迭代以后参数权重就会趋于0。相当于一个指数倍数的衰减，因此被称为权重衰减也就很自然了（注：权重衰减和$L_2$正则化在SGD优化方法下是等价的，但在如Adam等方法下是有些区别的[6]）。

上面的许多资料大多是从文献中摘过来的，参考了一些博客，为了做个在线笔记吧，捋一捋知识点啥的，也供大家参考，如有不足之处欢迎指出。

参考资料

[1] 统计机器学习 1.3节. 李航
[2] 机器学习 11.4节. 周志华
[3] 机器学习中正则化项L1和L2的直观理解
[4] 机器学习中的范数规则化之（一）L0、L1与L2范数
[5] 【机器学习】正则化的线性回归 —— 岭回归与Lasso回归
[6] 都9102年了，别再用Adam + L2 regularization了