- •Глава 3 оценка параметров и обучение с учителем
- •3.1. Оценка параметров и обучение с учителем
- •3.2. Оценка по максимуму правдоподобия
- •3.2.1. Общая идея метода
- •3.2.2. Случай многомерного нормального распределения: неизвестно среднее значение
- •3.2.3. Общий многомерный нормальный случай
- •3.3. Байесовский классификатор
- •3.3.1. Плотности, условные по классу
- •3.3.2. Распределение параметров
- •3.4. Обучение при восстановлении среднего значения нормальной плотности
- •3.4.1. Случай одной переменной: p(|)
- •3.4.2. Случай одной переменной: p(X|)
- •3.4.3. Случай многих переменных
- •3.5. Байесовское обучение в общем случае
- •3.6. Достаточные статистики
- •3.7. Достаточные статистики и семейство экспоненциальных функций
- •3.8. Проблемы размерности
- •3.8.1. Неожиданная трудность
- •3.8.2. Оценка ковариационной матрицы
- •3.8.3. Емкость разделяющей плоскости
- •3.8.4. Уровень ошибки усредненный по задачам
- •3.9. Оценка уровня ошибки
- •3.10. Библиографические и исторические сведения
3.8.3. Емкость разделяющей плоскости
Наличие избыточных данных для классификации столь же важно, как и для оценки. В качестве сравнительно простого примера рассмотрим разбиение d-мерного пространства признаков гиперплоскостью wtx+=0. Допустим, что имеется общее расположение п выборочных точек 13, с каждой из которых можно сопоставить метку или . Среди 2n возможных дихотомий (разделений на два класса) п точек в d-мерном пространстве имеется некоторая доля f(n, d), так называемых линейных дихотомий. Это такая маркировка точек, при которой существует гиперплоскость, отделяющая точки, помеченные , от точек, помеченных . Можно показать, что эта доля определяется выражением
(48)
График этой функции для разных значений d приведен на рис. 3.4. Заметим, что все дихотомии для d+1 и менее точек линейны. Это значит, что гиперплоскость не ограничивается требованием правильной классификации d+1 или меньшего числа точек. Фактически при большом d, пока п не составляет значительной части от 2(d+1), это не означает, что задача начинает становиться трудной. При значении числа п=2(d+1), которое иногда называется емкостью гиперплоскости, половина из возможных дихотомий еще линейна.
Рис. 3.4. Доля линейных дихотомий п точек в d-мерном пространстве.
Таким образом, избыточность для построения линейных разделяющих функций до тех пор не будет достигнута, пока число выборок в несколько раз не превзойдет размерности пространства признаков.
3.8.4. Уровень ошибки усредненный по задачам
Приведенные примеры позволяют, таким образом, заключить, что при малом числе выборок вся проблема в том, что разрабатываемый классификатор не будет хорошо работать при получении новых данных. Мы можем, таким образом, полагать, что уровень ошибки явится функцией числа п выборок, убывающей до некоторого минимального значения при стремлении п к бесконечности.
Чтобы исследовать это теоретически, требуется выполнить следующие действия:
1) произвести оценку неизвестных параметров по выборкам;
2) применить эти оценки для определения классификатора;
3) вычислить уровень ошибки полученного классификатора.
В целом такой анализ очень сложен. Проведение его зависит от многих причин — частных значений получаемых выборок, способа их использования для определения классификатора и неизвестной вероятностной структуры, положенной в основание расчетов. Однако аппроксимируя неизвестные плотности гистограммами и усредняя их соответствующим образом, можно прийти к некоторым интересным выводам.
Рассмотрим случай с двумя классами, предполагаемыми равновероятными. Предположим, что пространство признаков мы разбили на некоторое число т отдельных ячеек , . . ., . Если в пределах каждой из ячеек условные плотности p(x|) и р(x|) заметно не изменяются, то вместо того, чтобы отыскивать точное значение х, потребуется лишь определить, в какую из ячеек попадает х. Это упрощает задачу, сводя ее к дискретной. Пусть рi=Р(х |) и qi=Р(х|). Тогда, поскольку мы предположили, что P()=Р()=1/2, векторы р= (p1, . . .,pm)t и q= (q1, . . ., qm)t определят вероятностную структуру задачи. Если х попадает в ^;, то байесовское решающее правило выразится в принятии решения , если pi>qi. Получаемый байесовский уровень ошибки определится выражением
Если параметры р и q неизвестны и должны быть оценены по множеству выборок, то получаем уровень ошибки, больший, чем байесовский. Точный ответ будет зависеть от взятого множества выборок и способа построения по ним классификатора. Допустим, что одна половина выборок помечена , а другая , причем nij представляет число выборок с пометкой попавших в ячейку 'ё,. Допустим далее, что мы строим классификатор, пользуясь оценками по максимуму правдоподобия и, как если бы они и были истинными значениями. Тогда новый вектор признаков, попадающий в'ё,, будет отнесен к , если ni1>пi2 .Со всеми этими предположениями вероятность ошибки для получаемого классификатора определится выражением
.
Чтобы оценить вероятность ошибки, надо знать истинные значения условных вероятностей р и q и множество выборок или по меньшей мере числа пij. Различные множества из n случайных выборок приведут к различным значениям Р(е|р, q, ).
Для усреднения п случайных выборок по всем возможным множествам и получения средней вероятности ошибки Р(е|р, q, ) можно использовать тот факт, что числа пij распределены по полиномиальному закону. Грубо говоря, это даст типичный уровень ошибки, который можно ожидать для п выборок. Однако оценка этого среднего уровня потребует еще решения второстепенной задачи — оценки величин р и q. Если р и q различаются сильно, то средний уровень ошибки будет близок к нулю; при сходных р и q он приближается к 1/2.
Радикальным путем устранения этой зависимости решения от задачи будет усреднение результатов решения всех возможных задач. Для этого следует выбрать некоторое априорное распределение неизвестных параметров р и q, а затем усреднить Р(е|р, q, п) в соответствии с этими р и q. Получаемая усредненная по задачам вероятность ошибки (е|т, п) будет зависеть только от числа т ячеек, числа п выборок и вида априорного распределения.
Выбор априорного распределения является, несомненно, тонким моментом. Стараясь облегчить задачу, мы можем принять величину близкой к 0, а стараясь ее усложнить — близкой к 1/2. Априорное распределение следовало бы выбирать соответствующим тому классу задач, с которым мы обычно встречаемся, однако не ясно, как это сделать. Можно просто предположить эти задачи «равномерно распределенными», т. е. предположить, что векторы р и q распределены равномерно на симплексах pi0, , qi0. Г. Ф. Хугсом, предположившим такой подход, проведены необходимые вычисления, результаты которых представлены графиками рис. 3.5. Рассмотрим некоторые приложения его результатов.
Заметим сначала, что эти кривые представляют как функцию числа ячеек для постоянного числа выборок. Если число выборок бесконечно, то становятся верны оценки по максимуму правдоподобия, и для любой задачи будет средним значением байесовского уровня ошибки. Кривая, соответствующая (е|т,), быстро убывает от 0,5 при т=1 до асимптотического значения 0,25 при стремлении т к бесконечности. Не удивительно, что =0,5 при т=1, так как в случае всего лишь одного элемента решение должно основываться только на априорных вероятностях. Эффектно и то, что стремится к 0,25 при стремлении т к бесконечности, так как эта величина находится как раз посередине между предельными значениями 0,0 и 0,5. Столь большое значение уровня ошибки свидетельствует лишь о том, что в этой средней величине отражено множество безнадежно трудных задач, связанных с классификацией. И конечно, не следует считать, что «типичная» задача распознавания образов может иметь такой уровень ошибки.
Однако самая интересная особенность этих кривых заключается в том, что для каждой из них, соответствующей конечному числу выборок, имеется оптимальное число ячеек. Это непосредственно связано с тем, что если при конечном числе выборок использовать
Рис. 3.5. Усредненный по задаче уровень ошибки (по данным Г. Ф. Хугса, 1968. Здесь п—число выборок, т—число ячеек).
излишнее количество признаков, то качество работы ухудшится. Почему это так, в данном случае ясно. Во-первых, увеличение числа ячеек позволяет легче различать p(x|) и р(х|) (представляемые векторами р и q), тем самым способствуя улучшению качества работы. Если, однако, число ячеек становится слишком большим, то не хватит выборок, чтобы их заполнить. В конечном счете число выборок в большинстве ячеек окажется равным нулю, и для классификации придется вернуться к неэффективным априорным вероятностям. Таким образом, при любом конечном п величина (е|т, п)должна стремиться к 0,5 при стремлении т к бесконечности.
Значение т, для которого (е| т, п) достигает минимума, чрезвычайно мало. При числе выборок п=500 эта величина лежит где-то около m=20 ячеек. Допустим, что мы сформировали ячейки посредством разбиения каждой оси на l интервалов. Тогда для d признаков получим т=ld ячеек. Это будет означать, что при l=2, т. е. предельно грубом квантовании, использование более четырех-пяти бинарных признаков ухудшит, а не улучшит качество работы. Такой результат весьма пессимистичен, но не более чем утверждение о том, что средний уровень ошибки равен 0,25. Приведенные численные значения получены в соответствии с априорным распределением, выбранным для конкретной задачи, и могут не иметь отношения к частным задачам, с которыми можно еще столкнуться. Основной замысел проведенного анализа состоит в том, чтобы усвоить, что качество работы классификатора безусловно зависит от числа конструктивных выборок и что при заданном числе выборок увеличение числа признаков сверх определенного может оказаться вредным.