• 统计学习方法
  • 第 1 章 统计学习及监督学习概论
    • 附加知识
      • 各种空间介绍
      • 维度诅咒
    • 参考文献
  • 第 2 章 感知机

统计学习方法

第一版

第二版

第 1 章 统计学习及监督学习概论

统计学习的主要特点是：

1. 统计学习以计算机及网络为平台，是建立在计算机及网络之上的；
2. 统计学习以数据为研究对象，是数据驱动的学科；
3. 统计学习的目的是对数据进行预测与分析；
4. 统计学习以方法为中心，统计学习方法构建模型并应用模型进行预测与分析；
5. 统计学习是概率论、统计学、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科，并且在发展中逐步形成独自的理论体系与方法论。

假设空间(hypothesis space)：
$$\begin{gathered} \mathcal{H}=\{f(x;\theta )|\theta \in {\mathbb{R}}^D\} \\ or\mathcal{F}=\{P|P(Y|X;\theta ),\theta \in {\mathbb{R}}^D\} \end{gathered}$$
其中$f(x;\theta )$是参数为θ

$\theta$

θ 的函数（决策函数），也称为模型（Model），参数向量θ

$\theta$

θ取值与D

$D$

D维欧式空间RD

$\mathbb{R}^D$

RD,也称为参数空间(parameter space)，D

$D$

D 为参数的数量(维度)

模型的假设空间(hypothesis space)包含所有可能的条件概率分布或决策函数

特征空间（feature space）：
每个具体的输入是一个实例（instance），通常由特征向量（feature vector）表示。这
时，所有特征向量存在的空间称为特征空间（feature space）。特征空间的每一维对应于
一个特征。

输入空间中的一个输入向量x=(x1,x2)

$x = (x_1,x_2)$

x=(x1​,x2​)，在多项式模型中特征向量是(x21,x1x2,x22,...

$x_1^2,x_1x_2,x_2^2,…$

x12​,x1​x2​,x22​,…)
一般说的线性模型，指的是特征向量的线性组合，而不是指输入向量，所以说模型都是定义在特征空间上的

统计学习的三要素：

1. 模型的假设空间(hypothesis space)，简称：模型(model)
2. 模型选择的准则(evaluation criterion)，简称：策略(strategy)或者学习准则
3. 模型学习的算法(algorithm)，简称：算法(algorithm)

以线性回归（Linear Regression）为例：
模型： f(x;w,b)=wTx+b

$f(x;w,b) = w^Tx +b$

f(x;w,b)=wTx+b
策略(strategy)或者学习准则: 平方损失函数 L(y,yˆ)=(y−f(x,θ))2

$\mathcal L(y,\hat{y}) = (y-f(x,\theta))^2$

L(y,y^​)=(y−f(x,θ))2
算法：解析解analytical solution(闭式解closed-form solution)和数值解numerical solution，如：closed-form的最小二乘的解以及梯度下降法

机器学习的定义：

使用训练数据来计算接近目标 𝑓 的假设（hypothesis ）g （来自：Machine Learning Foundations（机器学习基石）,25 页）

监督学习：
监督学习(supervised learning)是指从标注数据中学习预测模型的机器学习问题。本质是学习输入到输出的映射的统计规律。

输入变量与输出变量均为连续变量的预测问题称为回归问题；
输出变量为有限个离散变量的预测问题称为分类问题；
输入变量与输出变量均为变量序列的预测问题称为标注问题(可以理解为特殊的分类问题)。

监督学习的模型可以是概率模型或非概率模型，由条件概率分布P(Y∣X)

$P(Y|X)$

P(Y∣X)或决策函数（decision function）Y=f(X)

$Y=f(X)$

Y=f(X)表示，随具体学习方法而定。对具体的输入进行相应的输出预测时，写作P(y∣x)

$P(y|x)$

P(y∣x)或Y=f(x)

$Y=f(x)$

Y=f(x)。
$$y=\underset{y}{\mathrm{argmax}}P(y|x)$$

联合概率分布：
监督学习假设输入与输出的随机变量 X 和 Y 遵循联合概率分布P(X,Y)

$P(X,Y)$

P(X,Y)。P(X,Y)

$P(X,Y)$

P(X,Y)表示分布函数，或分布密度函数。注意，在学习过程中，假定这一联合概率分布存在，但对学习系统来说，联合概率分布的具体定义是未知的。训练数据与测试数据被看作是依联合概率分布P(X,Y)

$P(X,Y)$

P(X,Y)独立同分布产生的。
统计学习假设数据存在一定的统计规律，X

$X$

X和Y

$Y$

Y具有联合概率分布的假设就是监督学习关于数据的基本假设。

非监督学习：
非监督学习(unsupervised learning)是指从无标注数据中学习预测模型的机器学习问题。本质是学习数据中的统计规律或潜在结构。

非监督学习的模型可以表示为函数z=g(x)

$z = g(x)$

z=g(x)或者条件概率分布P(z∣x)

$P(z|x)$

P(z∣x) （输出z

$z$

z可以是聚类或者降维）
$$z=\underset{z}{\mathrm{argmax}}P(z|x)$$
以及 条件概率分布P(x∣z)

$P(x|z)$

P(x∣z) （用来做概率密度估计，比如 GMM 中P(x∣z)

$P(x|z)$

P(x∣z)属于高斯分布，如果假设知道数据来自哪个高斯分布，即知道z

$z$

z，我们可以用极大似然估计来估计相关参数）。

概率模型（probabilistic model）与非概率模型（non-probabilistic model）或者确定性模型（deterministic model）：

概率模型（probabilistic model）- 条件概率分布 P(y|x)和 非概率模型（non-probabilistic model） – 函数 y=f(x)可以相互转化，条件概率分布最大化后得到函数，函数归一化后得到条件概率分布。所以概率模型与非概率模型的区别不在于输入输出之间的映射关系，而在于模型的内部结构：概率模型一定可以表示为联合概率分布的形式，而非概率模型则不一定存在这样的联合概率分布。

概率模型的代表是概率图模型（probabilistic graphical model）参考文献[3]

$^{参考文献[3]}$

参考文献[3]，联合概率分布可以根据图的结构分解为因子乘积的形式，可以用最基本的加法规则和乘法规则进行概率推理：
$$\begin{gathered} P(x)=\sum _{y}P(x,y) \\ P(x,y)=P(x)P(y|x) \end{gathered}$$

参数化模型（parametric model）和非参数化模型（non-parametric model）：

参数化模型假设模型参数的维度固定，模型可以由有限维参数完全刻画。(如：感知机、GMM)
非参数化模型假设模型参数的唯独不固定或者说无穷大，随着训练数据量的增加而不断增大。(如：决策树、支持向量机)

在线学习（online learning）和批量学习（batch learning）：

在线学习每次接受一个样本，预测后学习模型，并不断重复该操作。
批量学习一次接受所有数据，学习模型之后进行预测。

在线学习比批量学习更难，因为每次模型更新中可利用的数据有限。

贝叶斯学习（Bayesian learning）/ 贝叶斯推理（Bayesian inference）：
$$\begin{gathered} \mathrm{Bayes}\mathrm{Rule}: \\ \underset{\mathrm{posterior}}{\underbrace{P(X|Y)}}=\frac{\stackrel{\mathrm{likelihood}}{\overbrace{P(Y|X)}}\stackrel{\mathrm{prior}}{\overbrace{P(X)}}}{\underset{\mathrm{evidence}}{\underbrace{P(Y)}}}=\frac{\stackrel{\mathrm{likelihood}}{\overbrace{P(Y|X)}}\stackrel{\mathrm{prior}}{\overbrace{P(X)}}}{\underset{\mathrm{evidence}}{\underbrace{\sum _{x}P(Y|X)P(X)}}} \end{gathered}$$

核技巧（kernel trick）/ 核方法（kernel method）：

核方法是一类把低维空间的非线性可分问题，转化为高维空间的线性可分问题的方法。
核技巧是一种利用核函数直接计算 ⟨ϕ(x),ϕ(z)⟩

$\lang \phi(x),\phi(z) \rang$

⟨ϕ(x),ϕ(z)⟩ ，以避开分别计算 ϕ(x)

$\phi(x)$

ϕ(x) 和 ϕ(z)

$\phi(z)$

ϕ(z) ，从而加速核方法计算的技巧。

核函数：设 X

$\mathcal X$

X 是输入空间（即 xi∈X

$x_i \in \mathcal X$

xi​∈X ， X

$\mathcal X$

X 是 Rn

$\mathbb R^n$

Rn 的子集或离散集合 ），又设 H

$\mathcal H$

H 为特征空间（​ 希尔伯特空间附加知识:各种空间介绍

$^{附加知识:各种空间介绍}$

附加知识:各种空间介绍），如果存在一个从 X

$\mathcal X$

X 到 H

$\mathcal H$

H 的映射

$$\varphi (x):\mathcal{X}\to \mathcal{H}$$

使得对所有 x,z∈X

$x,z \in \mathcal X$

x,z∈X ，函数 K(x,z)

$K(x,z)$

K(x,z) 满足条件

$$K(x,z)=\varphi (x).\varphi (z)=⟨\varphi (x),\varphi (z)⟩$$

则称 K(x,z)

$K(x,z)$

K(x,z) 为核函数。其中 ϕ(x)

$\phi(x)$

ϕ(x) 为映射函数， ⟨ϕ(x),ϕ(z)⟩

$\lang \phi(x),\phi(z) \rang$

⟨ϕ(x),ϕ(z)⟩ 为内积。

核技巧的想法是，在学习和预测中只定义核函数 K(x,z)

$K(x,z)$

K(x,z) ，而不显式地定义映射函数 ϕ

$\phi$

ϕ。通常直接计算K(x,z)

$K(x,z)$

K(x,z)比较容易，而通过ϕ(x)

$\phi(x)$

ϕ(x)和ϕ(z)

$\phi(z)$

ϕ(z)计算K(x,z)

$K(x,z)$

K(x,z)并不容易。

注意：ϕ

$\phi$

ϕ是输入空间Rn

$\mathbb{R}^n$

Rn到特征空间H

$\mathcal H$

H的映射，特征空间H

$\mathcal H$

H一般是高维的，甚至是无穷维的。所以ϕ

$\phi$

ϕ不好计算，甚至会带来维度灾难又称维度诅咒（Curse of Dimensionality）附加知识:维度诅咒

$^{附加知识:维度诅咒}$

附加知识:维度诅咒。

附加知识

各种空间介绍

线性空间就是定义了加法和数乘的空间(空间里的一个元素就可以由其他元素线性表示)。

---

度量空间就是定义了距离的空间（曼哈顿距离，欧氏距离，闵可夫斯基距离，马氏距离，切比雪夫距离）。
定义距离时，有三条公理必须遵守：

1. 非负性、同一性：dist(xi,xj)≥0
   $dist(x_i,x_j) \geq 0$

   dist(xi​,xj​)≥0(非负性)，dist(xi,xj)=0

   $dist(x_i,x_j) = 0$

   dist(xi​,xj​)=0当且仅当xi=xj

   $x_i=x_j$

   xi​=xj​(同一性)

2. 对称性：dist(xi,xj)=dist(xj,xi)
   $dist(x_i,x_j) = dist(x_j,x_i)$

   dist(xi​,xj​)=dist(xj​,xi​)

3. 三角不等式(也叫直递性)：dist(xi,xj)≤dist(xi,xk)+dist(xk,xj)
   $dist(x_i,x_j) \leq dist(x_i,x_k) + dist(x_k,x_j)$

   dist(xi​,xj​)≤dist(xi​,xk​)+dist(xk​,xj​)
   希尔伯特空间(Hilbert)

文字解释：【两点之间距离不为负；两个点只有在 空间 上重合才可能距离为零；a 到 b 的距离等于 b 到 a 的距离;a 到 c 的距离加上 c 到 b 的距离大于等于 a 直接到 b 的距离;】

---

赋范空间就是定义了范数的空间。
x的范数||x||就是x的长度。那么这里的长度和上一节中说的距离到底有什么区别呢。距离的概念是针对两个元素来说的，例如d(x,y)指的是x与y两个元素之间的距离，而范数是针对一个元素来说的，每一个元素都对应一个范数，可以将范数理解为一个元素到零点的距离（这只是一种理解，并不是定义），也就是它自己的长度。
定义：
称 映射∣∣.∣∣:Rn→R

$||.|| : \mathbb{R}^n \to \mathbb{R}$

∣∣.∣∣:Rn→R为 Rn

$\mathbb{R}^n$

Rn 上的范数，当且仅当：

1. 非负性： ∀x∈Rn,∣∣x∣∣≥0
   $\forall x \in \mathbb{R}^n ,||x|| \geq 0$

   ∀x∈Rn,∣∣x∣∣≥0 ,∣∣x∣∣=0

   $||x|| = 0$

   ∣∣x∣∣=0当且仅当x=0

   $x=0$

   x=0

2. 数乘：∀x∈Rn,a∈Rn,∣∣ax∣∣=∣a∣.∣∣x∣∣
   $\forall x \in \mathbb{R}^n ,a \in \mathbb{R}^n, ||ax|| = |a|.||x||$

   ∀x∈Rn,a∈Rn,∣∣ax∣∣=∣a∣.∣∣x∣∣

3. 三角不等式: ∀x,y∈Rn,∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣
   $\forall x,y \in \mathbb{R}^n ,||x+y|| \leq ||x|| + ||y||$

   ∀x,y∈Rn,∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣

如果我们定义了范数，可以在这基础上定义距离：dist(x,y)=||x-y||。根据范数的三条性质，我们可以证明我们这样定义的距离也满足距离的定义，聪明的你可以自己证明一下（对称性的证明，提一个-1出来，一加绝对值就是1了）。

也就是说范数其实是一个更加具体的概念，有了范数一定能利用范数定义距离，但是有距离不能定义范数。

也许你会问，你不是说理解范数就是一个元素到零点的距离吗，那定义范数为||x||=dist(x,0) 不就行了吗。这样的话，对于范数的第二条性质就不一定会满足，||ax||=dist(ax,0)，而dist(ax,0)不一定等于|a|dist(x,0)，具体等不等于还要看你的距离是怎么定义的。

了解到这里那么你会发现：
欧式距离对应L2范数
曼哈顿距离对应L1范数

---

线性赋范空间就是定义了加法、数乘和范数的空间。

---

巴拿赫空间就是完备的赋范线性空间。(Banach space)
完备的空间的定义：如果一个空间是完备的，那么该空间中的任何一个柯西序列都收敛在该空间之内。

首先来说一下柯西序列是什么，柯西序列就是随着序数增加，值之间的距离越来越小的序列。换一种说法是，柯西序列可以在去掉有限个值之后，使任意两个值之间的距离¯¯¯¯¯¯¯

$\underline{\mathrm{距离}}$

距离​都小于任意给定正常数（其实这就是定义了一个极限而已）。

那么任意一个柯西序列都收敛在该空间内是什么意思呢，举个例子你就明白了。

设定义在有理数空间Q上的序列：xn=[2√n]n

$x_n = \frac{[\sqrt{2}n]}{n}$

xn​=n[2​n]​，其中[x]表示x取整数部分。
对于这个数列来说，每一个元素的分子分母都是整数，所以每一个xn

$x_n$

xn​都在有理数空间Q上，那这个序列的极限呢，稍有常识的人都能看出，这个序列的极限是2–√

$\sqrt{2}$

2​，而这并不是一个有理数，所以这个柯西序列的极限不在该空间里面，也就是说有理数空间Q是不完备的。

所以完备的意义我们可以这样理解，那就是在一个空间上我们定义了极限，但是不论你怎么取极限，它的极限的值都不会跑出这个空间，那么这个空间就是完备空间。

另外，不知道你有没有发现，上面在解释什么是柯西序列的时候，有一个词我加了下划线，那就是距离，也就说说在定义完备空间之前，要先有距离的概念。所以完备空间，其实也是完备度量空间。

所以，巴拿赫空间满足几条特性呢：距离、范数、完备。

---

内积空间就是定义了内积的空间。Inner product space
有时也称准希尔伯特空间。
内积就是我们所说的点乘、标积，它的定义方式也不是唯一的，但如同距离范数的定义一样，内积的定义也要满足某些条件，不能随便定义。

定义映射⟨.,.⟩:V×V→F

$\lang .,. \rang : V \times V \to \mathbb{F}$

⟨.,.⟩:V×V→F, 其中V

$V$

V是向量，F

$\mathbb{F}$

F是标量
有x,y,z∈V,s∈F

$x,y,z \in V ,s \in \mathbb{F}$

x,y,z∈V,s∈F，那么内积满足

1. 第一个参数中的线性:
   $$\begin{gathered} ⟨sx,y⟩=s⟨x,y⟩ \\ ⟨x+y,z⟩=⟨x,z⟩+⟨y,z⟩ \\ ⟨0,x⟩=0 \end{gathered}$$

2. 共轭对称:⟨x,y⟩=⟨y,x⟩¯¯¯¯¯¯¯¯

   $\lang x,y \rang = \overline{\lang y,x \rang }$

   ⟨x,y⟩=⟨y,x⟩​

3. 正定性:⟨x,x⟩>0if  x≠0

   $\lang x,x \rang > 0 \quad\mathrm{if}\; x \neq 0$

   ⟨x,x⟩>0ifx=0

4. 正半定性或非负定性:∀x,⟨x,x⟩≥0

   $\forall{x}, \lang x,x \rang \geq 0$

   ∀x,⟨x,x⟩≥0

5. 确定性：⟨x,x⟩=0必然有x=0

   $\lang x,x \rang = 0 必然有 x=0$

   ⟨x,x⟩=0必然有x=0

3，4，5可以跟上面定义范数和距离一样写成一个

例子-欧几里得向量空间:
x,y∈Rn,⟨x,y⟩=xTy=∑ni=1xiyi

$x,y \in \mathbb{R}^n , \lang x,y \rang = x^Ty=\sum_{i=1}^n{x_iy_i}$

x,y∈Rn,⟨x,y⟩=xTy=∑i=1n​xi​yi​

只有定义了内积，才会有夹角的概念，才会有正交的概念，另外内积也可以定义范数，也就是说内积是比范数更具体的一个概念。

---

欧式空间就是定义了内积的有限维实线性空间。

---

希尔伯特空间就是完备的内积空间。(Hilbert space)
希尔伯特空间中的元素一般是函数，因为一个函数可以视为一个无穷维的向量。

参考：一片文章带你理解再生核希尔伯特空间（RKHS）以及各种空间

维度诅咒

维度诅咒通常是指在涉及到向量的计算的问题中，随着维数的增加，计算量呈指数倍增长的一种现象。高维度有更大的特征空间，需要更多的数据才可以进行较准确的估计。

若特征是二值的，则每增加一个特征，所需数据量都在以2的指数级进行增长，更何况很多特征不只是二值的。

几何角度1：

上图表示一个多维空间（以二维为例），设正方形边长为1，则其内切圆半径为r=0.5

$r=0.5$

r=0.5，则正方形面积为1，内切圆面积为π(0.5)2

$\pi(0.5)^2$

π(0.5)2 。若将此变为三维情况下，正方体体积为1，内切球体积为43π(0.5)3

$\frac{4}{3}\pi(0.5)^3$

34​π(0.5)3。

因此球体的体积可以表示为V(d)=πd/2Γ(d2+1)0.5d=k(0.5)d

$V(d) = \frac{\pi^{d/2}}{\varGamma(\frac{d}{2}+1)}0.5^d = k(0.5)^d$

V(d)=Γ(2d​+1)πd/2​0.5d=k(0.5)d(d为维度),则 limd→∞k(0.5)d=0

$\lim_{d \to \infty}k(0.5)^d = 0$

limd→∞​k(0.5)d=0，其内切超球体的体积为0。由此可知，高维情况下，数据大都分布在四角（正方形内，内切圆外），稀疏性太大，不好分类。

维度越大，超球体体积越小。说明落在超球体内的样本越少，因为超球体是超立方体的内切球。不在球内,那只能在角落！

几何角度2：

上图也表示一个多维空间（以二维为例），则其中图形的体积有如下关系：外圆半径r=1

$r=1$

r=1，内圆半径为r−ε

$r−\varepsilon$

r−ε 。同样在高维情况下，外圆体积为V外圆=k.1d=k

$V_{外圆} = k.1^d = k$

V外圆​=k.1d=k，中间的圆环体积为V圆环=k−k(1−ε)d

$V_{圆环} = k – k(1-\varepsilon)^d$

V圆环​=k−k(1−ε)d，则：
$$\underset{d\to \infty }{\lim }\frac{V_{圆环}}{V_{外圆}}=\underset{d\to \infty }{\lim }\frac{k-k(1-\epsilon {)}^d}{k}=\underset{d\to \infty }{\lim }(1-(1-\epsilon {)}^d)=1$$

高维情况下，无论ε

$\varepsilon$

ε多小，只要d足够大，圆环几乎占据了整个外圆，内圆体积趋向于0，导致数据稀疏。

参考：
The Curse of Dimensionality in classification
机器学习-白板推导系列(五)-降维（Dimensionality Reduction）

参考文献

[1] Hastie T,Tibshirani R,Friedman J. The Elements of Statistical Learning: DataMining,Inference,and Prediction. Springer. 2001（中译本：统计学习基础——数据挖掘、推理与预测。范明，柴玉梅，昝红英等译。北京：电子工业出版社，2004）

[2] Bishop M. Pattern Recognition and Machine Learning. Springer,2006

[3] Probabilistic Graphical Models: Principles and Techniques by Daphne Koller, Nir Friedman from The MIT Press

[4] Deep Learning (Ian Goodfellow, Yoshua Bengio, Aaron Courville)

[5] Tom M Michelle. Machine Learning. McGraw-Hill Companies,Inc. 1997（中译本：机器学习。北京：机械工业出版社，2003）

[6] Bayesian Reasoning and Machine Learning by David Barber 2007–2020 ,other version

[7] Reinforcement Learning:An Introduction (second edition 2020) by Richard S. Sutton and Andrew G. Barto ,other version

[8] 周志华，机器学习，清华大学出版社 (手推笔记 以及 公式推导解析)

[9] Lecture Notes in MACHINE LEARNING Dr V N Krishnachandran