Zrozumienie regresji SVM: funkcja celu i „płaskość”

SVM do klasyfikacji mają dla mnie intuicyjny sens: rozumiem, jak minimalizacja daje maksymalny margines. Nie rozumiem jednak tego celu w kontekście regresji. Różne teksty ( tu i tutaj ) opisują to jako maksymalizujące „płaskość”. Dlaczego mielibyśmy to zrobić? Co w regresji odpowiada koncepcji „marginesu”? $||\theta||^2$

Oto kilka prób odpowiedzi, ale żadne z nich tak naprawdę nie pomogło mi zrozumieć.

regression svm Yang
źródło

Tak naprawdę nie jestem zwolennikiem teorii SVM, ale „płaskość” w dyskusji na temat jądra-maszyny, z którą się łączysz, wydaje się sprowadzać do: „ma małą drugą pochodną” (pomyśl o typowej motywacji dla modeli wygładzania splajnu).

conjugateprior

Odpowiedzi:

Jednym ze sposobów, w jaki myślę o płaskości, jest to, że sprawia, że moje przewidywania są mniej wrażliwe na zakłócenia funkcji. To znaczy, jeśli buduję model w postaci którym mój wektor cech został już znormalizowany, to mniejsze wartości w oznaczają, że mój model jest mniej wrażliwy na błędy pomiaru / losowe szoki / niestacjonarność funkcji, . Biorąc pod uwagę dwa modele ( tj. Dwie możliwe wartości ), które równie dobrze wyjaśniają dane, wolę ten „bardziej płaski”.

y = x^{⊤} θ + ϵ,

$y = x^\top \theta + \epsilon,$

x

$x$

θ

$\theta$

x

$x$

θ

$\theta$

Możesz także myśleć o regresji Ridge'a jako o osiągnięciu tego samego bez sztuczki jądra lub sformułowania regresji SVM „tube”.

edycja : W odpowiedzi na komentarze @ Yang, kilka dodatkowych wyjaśnień:

Rozważ przypadek liniowy: . Załóżmy, że są rysowane z jakiegoś rozkładu, niezależnie od . Według kropkowej tożsamości produktu mamy , gdzie to kąt między a , który prawdopodobnie jest rozłożony w pewnym sferycznie jednorodnym rozkładzie. Teraz zauważ: „rozpiętość” ( np . Odchylenie standardowe próbki) naszych prognoz jest proporcjonalna do. Aby uzyskać dobry MSE z ukrytymi, bezszumowymi wersjami naszych obserwacji, chcemy zmniejszyć to. $y = x^\top \theta + \epsilon$ $x$ $\theta$ $y = ||x|| ||\theta|| \cos\psi + \epsilon$ $\psi$ $\theta$ $x$ $y$ $||\theta||$ $||\theta||$ por. James Stein estymator .
Rozważ przypadek liniowy z wieloma funkcjami. Rozważ modele , . Jeśli ma więcej zerowych elementów niż , ale o tej samej sile wyjaśniającej, wolelibyśmy to, opierając się na brzytwie Ockhama, ponieważ ma zależności od mniejszej liczby zmiennych ( tzn. „Dokonaliśmy wyboru funkcji” ustawiając niektóre elementy od do zera). Płaskość jest rodzajem ciągłej wersji tego argumentu. Jeśli każdy margines ma jednostkowe odchylenie standardowe, a ma np. 2 elementy, które są 10, a pozostałe $y = x^\top \theta_1 + \epsilon$ $y = x^\top \theta_2 + \epsilon$ $\theta_1$ $\theta_2$ $\theta_1$ $x$ $\theta_1$ $n-2$ są mniejsze niż 0,0001, w zależności od tolerancji hałasu, jest to efektywne „wybranie” dwóch funkcji i wyzerowanie pozostałych.
Kiedy stosowana jest sztuczka jądra, wykonuje się regresję liniową w wysokiej (czasem nieskończonej) przestrzeni wektorowej. Każdy element odpowiada teraz jednej z twoich próbek , a nie cechom . Jeśli elementów jest niezerowych, a pozostałe są zerowe, cechy odpowiadające elementom niezerowym z są nazywane „wektorami pomocniczymi”. Aby zapisać model SVM, powiedzmy na dysku, potrzebujesz tylko tych wektorów funkcji , a resztę możesz wyrzucić. Teraz płaskość naprawdę ma znaczenie, ponieważ posiadanie $\theta$ $k$ $\theta$ $m-k$ $k$ $\theta$ $k$ $k$ małe zmniejsza wymagania dotyczące przechowywania i transmisji itp . Ponownie, w zależności od tolerancji na hałas, prawdopodobnie można wyzerować wszystkie elementy ale największej jakiegoś , po wykonaniu regresji SVM. Płaskość jest tu równoznaczna z parsymonem w odniesieniu do liczby wektorów wspierających. $\theta$ $l$ $l$

shabbychef
źródło

więc jest to w zasadzie regresja z funkcją utraty „rurki” (0 kar za punkty +/- epsilonu prognozy), a nie kwadratową funkcją straty z OLS?

conjugateprior

@Conjugate Prior: tak, zwykle regresja jądra minimalizuje funkcję „epsilon-insenstive loss”, którą można traktować jako patrz np. Kernelsvm.tripod.com lub dowolny z artykuły Smoli i in .

f (x) = (| x | - ϵ)^{+}

$f(x) = (|x| - \epsilon)^+$

shabbychef

@shabbychef Thanks. Zawsze zastanawiałem się, co się tam dzieje.

conjugateprior

@ Conjugate Prior: Nie sądzę, że jest to właściwie funkcja pożądanej straty, ale matematyka kończy się dobrze, więc biegli z nią. Przynajmniej takie jest moje podejrzenie.

shabbychef

@shabbychef: Nadal jestem zagubiony. Rozważ przypadek jednowymiarowy: . Wszystko, co robi minimalizacja , daje bardziej poziomą linię. Wydaje się, że nie ma to nic wspólnego z drugą pochodną, o której myślę, że masz na myśli („gładkość”). A jeśli moje próbki to (0,0) i (1,1e9), dlaczego wolałbym bardziej płaską linię? Tj. Powiedzmy, że moja tolerancja wynosi 1 - dlaczego wolałbym bardziej płaską linię od (0,0) do (1,1e9-1) ( ) zamiast linii przechodzącej przez (1,1e9) ( ) czy linia przechodząca przez (1,1e9 + 1) ( )?

y = θ x

$y = \theta x$

θ

$\theta$

ϵ

$\epsilon$

θ = 1 e 9 - 1

$\theta=1e9-1$

θ = 1 e 9

$\theta=1e9$

θ = 1 e 9 + 1

$\theta=1e9+1$

Yang

shabbychef podał bardzo jasne wyjaśnienie z perspektywy złożoności modelu. Spróbuję zrozumieć ten problem z innego punktu widzenia, na wypadek, gdyby mógł komukolwiek pomóc.

Zasadniczo chcemy zmaksymalizować margines w SVC. To samo dotyczy SVR, a my chcemy zmaksymalizować błąd prognozowania ze zdefiniowaną precyzją dla lepszego uogólnienia. Jeśli zminimalizujemy błąd prognozy zamiast zmaksymalizować, wynik prognozy dla nieznanych danych jest bardziej prawdopodobny. Pomyślmy o „maksymalizacji błędu prognozowania” w przypadku jednowymiarowym. $e$

W przypadku jednowymiarowym naszym celem jest maksymalizacja odległości od wszystkich punktów do linii trendu wewnątrz . Zauważ, że ustawiliśmy ograniczenie precyzji na , abyśmy mogli maksymalizować odległość, a nie minimalizować . Następnie przyjrzyjmy się bardzo prostemu równaniu odległości od punktu do linii. $(x_i,y_i)$ $y=\omega x+b$ $e$ $e$

\frac{| ω x_{i} - y_{i} + b |}{\sqrt{ω^{2} + 1}}

$\frac{\left|\omega x_i-y_i+b\right|}{\sqrt {\omega^2+1}}$

W tej chwili licznik jest ograniczony do . Aby zmaksymalizować odległość, staramy się zminimalizować . $e$ $\omega$

Każdy może z łatwością rozszerzyć jednowymiarowy przypadek na przypadek N-wymiarowy, ponieważ równanie odległości zawsze będzie odległością euklidesową .

Dodatkowo możemy mieć recenzję problemu optymalizacji w SVR do porównania [1].

min \frac{1}{2} {| | ω | |}^{2}

$\min \frac{1}{2} {\left| \left| \omega \right| \right|}^2$

s . t . {\begin{cases} y_{i} - < ω, x_{i} > - b \leq e \\ < ω, x_{i} > + b - y_{i} \geq e \end{cases}

$s.t. \begin{cases}y_i-<\omega,x_i>-b \leq e\\<\omega,x_i>+b-y_i \geq e\end{cases}$

Dzięki.

[1] Smola, A. i B. Schölkopf. Samouczek dotyczący regresji wektora wsparcia. Statystyka i informatyka, t. 14, nr 3, sierpnia 2004, s. 199–222.

oloopy
źródło

Przynajmniej nie sądzę, że minimalizowanie ma coś wspólnego z marginesem koncepcji, jak w ustawieniu klasyfikacji SVM. Służy on zupełnie innemu celowi, który jest dobrze wyjaśniony przez powyższe dwa posty, tj. Zmniejszeniu złożoności modelu i uniknięciu przeregulowania. $\theta$

Lynnjohn
źródło