【机器学习及深度学习】机器学习模型的误差：偏差、方差及噪声 - 实践

机器学习模型的误差分析

• • V1.0
  • 机器学习模型的衡量准则
  • 概念引入
  • 机器学习模型误差分析
  • 误差出现的原因及消除

V1.0

机器学习模型的衡量准则

衡量机器学习模型的好坏可以考虑以下几个方面：

• 偏差（Bias）：
  在充分训练的情况下，机器学习模型是否能够较好地拟合训练数据，以反映真实规律。

  这些问题可以被称为模型的能力，衡量这一问题的指标称为偏差（Bias）。

• 方差（Variance）：
  在充分训练的情况下，不同的机器学习模型对不同训练数据集敏感程度不同。某些机器学习模型使用不同的训练内容进行训练，所得到的模型的输出结果较为稳定。而某些机器学习模型使用不同的训练数据进行训练，所得到的模型的输出结果不稳定，有较大波动，即对不同训练数据的鲁棒程度较低。

  衡量机器学习对训练素材的鲁棒程度这一挑战的指标称为方差（Variance）。

• 噪声（Noise）：
  机器学习模型是为了拟合训练数据，以达到反映真实内容规律的功能。在实际情况中，采集到的训练数据往往不等于真实数据，训练数据往往会包含随机波动，因此会对模型的结果造成一定的误差。训练数据的随机波动往往是因为测量方法限制、测量精度限制、标注错误等而产生的。

  衡量训练资料中真实规律数据以外的随机扰动的指标称为噪声（Noise）。

概念引入

为了对机器学习模型的误差进行分析，需要明确以下几个概念

• $\hat{f}(x)$数据预测函数（Estimated function）：
  数据预测函数$\hat{f}(x)$是通过训练过程得到的机器学习模型，使用该模型对输入材料进行预测。
  同样结构的机器学习模型，启用不同的训练集和初始值以及训练方法进行训练，应该会得到有差异的结果。因此对预测函数的输出结果求期望值$E(\hat{f}(x))$是有意义的，该期望值能够反映不同训练条件下，模型结果的平均水平。

• $y$观测值（Observed Value）：
  使用观测手段观测所得到的数据，即训练时模型运用的实际数据。观测值是包含噪声的真实数据，由于测量方法限制、测量精度限制、标注错误等原因会和真实值$f(x)$有偏差。

  观测值$y$与真实函数$f(x)$的关系如下：
  $$y=f(x)+ϵ$$

  其中$ϵ$是噪声，噪声的方差为$Var(ϵ)={\sigma }^2$。

• $f(x)$真实函数（True Function）：
  真实函数$f(x)$反映困难的信息的客观真实规律，具体来说，即反映真实的数据输入到输出的映射规律，是理想的不含有噪声的。采集的训练数据往往是由真实信息及随机扰动的噪声$ϵ$两部分组成的。

机器学习模型误差分析

机器学习模型误差能够分解为偏差、方差和噪声3个部分，公式如下：
$$E[(\hat{f}(x)-y{)}^2]=\underset{偏差}{\underbrace{{\text{Bias}}^2(\hat{f}(x))}}+\underset{方差}{\underbrace{\text{Var}(\hat{f}(x))}}+\underset{噪声}{\underbrace{{\sigma }^2}}$$
机器学习的误差分析公式，在满足噪声独立性、零均值噪声和模型针对多个训练集求期望时，公式是严谨的。这部分内容更加麻烦，本文不进行探讨，能够自行寻找资料研究。

• 偏差（Bias）
  偏差反映了多次训练模型预测结果与真实结果之间的系统性误差。公式如下：
  $$Bias(\hat{f}(x))=E[\hat{f}(x)]-f(x)$$
  公式理解：偏差即为预测模型的预测结果的期望与真实函数预测结果的差值。

  偏差反映了在充分训练的情况下模型结构的能力。
  偏差越小，说明模型拟合过拟合的原因，此时通常会偏差小而方差大。偏差越大，说明预测模型的预测结果的系统性偏离了要拟合的训练数据，无法有效反应真实规律。就是能力越强，更适用于该种问题。偏差越小，也有可能

• 方差（Variance）
  方差反映了模型对不同的训练内容是否鲁棒。训练数据的随机波动会对模型训练结果产生影响。方差的公式如下：
  $$Var(\hat{f}(x))=E[(\hat{f}(x)-E[\hat{f}(x)]{)}^2]$$

  公式理解：方差为各个训练集训练结果$\hat{f}(x)$分别减去所有预测结果的期望值$E[\hat{f}(x)]$，每个差值$(\hat{f}(x)-E[\hat{f}(x)])$平方后求期望，即正常求方差的过程。

  方差反映了模型对不同训练数据的敏感程度。方差高，同样的训练程度，不同的训练集训练出的机器学习模型的预测结果差异大。这通常是由于模型训练发生了过拟合，模型过多的拟合了训练数据中的噪声，造成其泛化能力下降。低方差的情况下，不同训练集训练出的模型预测结果更稳定。

• 噪声（Noise）
  噪声是由于训练数据本身含有的不可约误差，给机器学习模型造成的误差。由于噪声的存在，导致采集到的训练数据偏离真实数据，这些有噪声的训练内容会限制模型性能的上限。

误差出现的原因及消除

• 高偏差的原因：
  模型类型选择不当或模型参数量不够。就是训练不充分，或模型能力不足，可能

  解决方法：
  – 选择更合适的模型。
  – 增加同种模型的复杂度或参数量。如线性回归模型可使用多项式线性回归，或神经网络增加网络层数和参数数量。

• 高方差的原因：
  模型过于复杂，拟合能力过强，导致过度拟合了特定训练数据或噪声，导致其泛化能力差。

  解决方法：
  – 可以进行模型简化，例如神经网络减少参数数量。
  – 增加训练数据量。
  – 采用正则化手段，如L1、L2正则化。
  – 利用集成学习方法。

• 噪声出现的原因：
  噪声产生于数据生成过程中的不确定因素，所导致的训练数据的随机扰动。
  噪声产生的原因包括数据采集层面的原因，如摄像头像素噪声，声音采集时的环境噪声等。以及数据标注层面的噪声，例如正负评论类别标注错误等。

  解决方法：
  噪声不可能完全消除，许可对内容进行处理尽量降低其影响。
  – 可以运用更加鲁棒的模型。
  – 使用集成学习方法。