[БЕЗ_ЗВУКА] В
этом видео мы поговорим о регуляризации линейных регрессионных моделей.
Как вы видели ранее в этом курсе,
регрессионные модели имеют свойство переобучаться.
Если вы взяли слишком сложную модель и у вас недостаточно данных для того,
чтобы точно определить ее параметры, вы легко можете получить какую-то модель,
которая будет очень хорошо описывать вашу обучающую выборку,
но при этом очень плохо обобщаться на тестовую.
Бороться с этим можно разными способами.
Можно попробовать взять больше данных.
Имея много данных,
вы сможете точнее оценить вашу модель и уменьшить переобучение.
Очень часто это решения недоступно,
поскольку дополнительные данные стоят дополнительных денег.
Даже в задачах, когда, казалось бы, у вас есть терабайты данных,
например в задачах веб-поиска, эффективный объем выборки зачастую часто оказывается
очень маленьким, если, например, мы хотим показывать для каждого пользователя его
персонализированные результаты.
Мы вынуждены использовать только его историю.
Еще один способ борьбы с переобучением — это упрощение модели.
В частности, можно, например, взять просто меньше признаков.
Какие-то из признаков просто выбросить.
Для этого нужно перебрать большое количество подмножеств
наших признаков xj-тое, и общее количество подмножеств,
которые нужно перебрать, очень быстро растет с ростом размерности задачи.
Полный перебор часто оказывается недоступен.
Кроме того, если признаков действительно много и они сильно зашумлены,
может оказаться, что в выборке находится какая-то пара признаков,
которые на обучении очень похожи.
В этом случае совершенно непонятно, какой из этих признаков следует взять в модель.
Наконец, еще один способ борьбы с переобучением линейной модели — это
ограничение весов у признаков.
Вы видели ранее в курсе, что когда линейная модель переобучается,
веса у признаков становятся большими по модулю и разными по знаку.
Ограничивая значение этих весов по модулю,
можно с переобучением до какой-то степени побороться.
Мы рассматривали два способа регуляризации: L2-регуляризатор добавляет
к функционалу потерь слагаемое, равное сумме квадратов весов
нашей линейной модели с множителем λ;
L1-регуляризатор использует вместо суммы квадратов сумму модулей весов.
Регрессия с L2-регуляризатором называется ридж-регрессией или гребневой регрессией,
а с L1-регуляризатором — лассо.
Очень важно, что константное слагаемое в регуляризатор входить не должно.
Штрафуя за большое значение константы, переобучение мы не уменьшим,
а вот качество моделей и на обучающей, и на тестовой выборке упадет очень сильно.
Чтобы понять, чем отличаются L1 и L2-регуляризаторы давайте
рассмотрим простой модельный пример.
Пусть матрица «объекты-признаки» X — квадратная, диагональная и единичная,
то есть на ее диагонали стоят единицы, а вся остальная часть заполнена нулями.
В этом случае решение метода наименьших квадратов дает вектор
весов w со звездочкой, j-тая компонента которого равна yj-тому.
Если мы делаем гребневую регрессию,
то j-тая компонента w уменьшается в (1 + λ) раз.
Если мы делаем лассо, формула для j-той компоненты вектора весов более сложная.
Давайте посмотрим на графики.
На графиках показана зависимость j-той компоненты оптимального вектора
весов w со звездочкой от yj-того.
Если мы минимизируем среднеквадратичную ошибку, не используя регуляризаторы,
то эта зависимость единичная, то есть wj-тое и yj-тое всегда одинаковые.
На графиках — это пунктирная диагональная линия.
Если мы использует регуляризацию L2, зависимость wj-тое со
звездочкой все еще линейная, но веса прижаты к нулю.
Лассо делает кое-что более интересное.
Оптимальные веса лассо также прижимаются к нулю,
однако в середине на этом графике появляется интервал размером λ,
в котором веса обращаются в ноль в точности.
То есть если у нас значению отклика маленькое, то вес получается нулевым.
Именно поэтому лассо отбирает признаки.
Если у признаков низкая предсказательная способность,
в лассо они получают нулевой вес и таким образом из модели исключаются.
С другой стороны, посмотреть на регуляризацию можно, если рассмотреть,
как устроена ошибка регрессии.
Давайте посмотрим на матожидание квадрата этой ошибки.
Оно представляет собой сумму трех компонент.
Первая компонента — это квадрат смещения, то есть квадрат
разности между математическим ожиданием регрессионной модели,
оцениваемой по выборке, и истинной неизвестной нам регрессионной модели.
Вторая компонента — это дисперсия нашей выборочной оценки.
А третья — это дисперсия шума, на который повлиять мы никак не можем.
Метод наименьших квадратов дает оценки, которые имеют нулевое смещение.
Однако, используя регуляризацию, мы можем получить оценки,
у которых матожидание квадрата ошибки меньше за счет того,
что дисперсия у них может быть меньше, несмотря а то, что эти оценки смещенные.
Чтобы лучше понять баланс между смещением и дисперсией, представьте,
что вы стреляете по мишеням.
Среднее количество очков, которое вы при этом набираете,
определяется двумя величинами: во-первых, средним облака точек,
которое образуют результаты ваших выстрелов; во-вторых,
разбросом выстрелов относительно этого среднего, то есть дисперсией.
Естественно, больше всего очков вы получите,
если вы будете стрелять точно и в цель.
В этом случае у вас может быть какое-то небольшое смещение и маленькая дисперсия.
Переобучение в линейных моделях приводит к тому, что вы стреляете с цель,
но не точно.
Смещения у вас нет, но дисперсия очень большая.
Часто оказывается, что можно набрать больше очков,
если вы будете стрелять не совсем в цель, но более точно.
Именно это позволяет сделать использование регуляризации в линейных моделях.
В байесовской статистике гребневая регрессия соответствует заданию
нормального априорного распределения на коэффициенты линейной модели,
а метод лассо — заданию Лапласовского априорного распределения на коэффициенты.
Подробнее о байесовской статистике вы узнаете из гостевого видео,
которое вас ждет в конце этого урока.
Задача гребневой регрессии имеет аналитическое решение.
К матрице X транспонированное X, которая обращается в методе наименьших квадратов,
вы добавляете диагональную матрицу,
у которой на диагонали стоят значения λ — веса при регуляризаторе.
Для решения задачи лассо аналитического решения не существует.
Однако есть очень эффективный численный способ получения решения,
поэтому методом лассо тоже можно прекрасно пользоваться.
Итак, в этом видео мы поговорили про регуляризацию как один из способов борьбы
с переобучением линейных регрессионных моделей.
Регуляризация приводит к тому, что вы получаете смещенные оценки коэффициентов
модели, но суммарная ошибка таких моделей может быть меньше за счет того,
что оценки коэффициентов имеют меньшую дисперсию.
Это справедливо и для L1, и L2-регуляризации,
однако про L1-регуляризацию мы еще выяснили, что она отбирает признаки,
обнуляя веса у некоторых коэффициентов, и разобрались в том, почему так происходит.
В следующем видео мы поговорим про логистическую регрессию.
