机器学习基石14：正则化（Regularization）

本文介绍了正则化。包括正则化假设空间，权重衰减正则化，正则化与VC Dimension以及常用的两种正则化：L1和L2正则化。

---

文章目录

• 14. Regularization
• 14.1 Regularized Hypothesis Set
• 14.2 Weight Decay Regularization
• 14.3 Regularization and VC Theory
• 14.4 General Regularizers
• Summary

---

14. Regularization

上一节课程中，讲到了抑制过拟合的五种措施中的两种，本节课介绍第三种：正则化（Regularization）。

14.1 Regularized Hypothesis Set

正则化的核心思想：将假设函数从高阶多项式降为低阶多项式，如同开车时的踩刹车，将速度降低，效果图如下图所示：

上图中，蓝色线表示目标函数（期望输出），红色线表示假设函数（预测输出）。回顾上节课所学，右图是过拟合的情况，所有样本点都落在假设函数曲线上（红色线），虽然这样 $E_{in} \approx 0$Ein​≈0，但是 $E_{out}$Eout​ 却异常大，往往是 $E_{in}$Ein​ 的数倍不止，不是一个数量级，这就导致了模型泛化能力很差（表现：在新样本上不能准确地预测）。

为缓解过拟合，引入正则化的思想，将原假设函数的高阶（10阶）退化为低阶（2阶）；这时候，再拟合，便得到了右图。可以看到假设函数曲线（红色线）与目标函数（蓝色线）非常接近， 即 $E_{out} - E_{in} \approx 0$Eout​−Ein​≈0 。此时，极大地缓解了过拟合风险，泛化能力也便提升了。这就是正则化拟合（regularized fit）。

高阶假设函数集合与低阶假设函数集合的关系如下图所示。本节内容是使用高阶假设函数过拟合时，通过降低假设函数的阶次来缓解过拟合。即通过增加限制条件把 高阶假设集合 $H_{10}$H10​ 近似为低阶假设函数 $H_{2}$H2​。

这种函数近似曾被称之为不适定问题（ill­posed problem）的函数逼近，即在函数逼近中出现多个解，如何选择解的问题。这也是正则化名称来源。

---

那么，应该增加哪些限制条件将10阶假设函数降为2阶呢？

下面举一个简单的例子帮助理解正则化的思想，如下图所示：

通过增加限制条件 $w_3= w_4= . . . = w_{10}= 0$w3​=w4​=...=w10​=0 使得 $H_{10}$H10​ 退化为 $H_{2}$H2​，亦即对于高阶的假设函数而言，通过将高阶部分的权重限制为0，来降低过拟合风险。这里有一点要注意：

即“退化”就是“限制”，这也是正则化的核心思想。那么为什么不直接使用 $H_{2}$H2​ 呢？其实这只是一种情况，将 $H_{10}$H10​ 的高阶部分的权重限制为0，条件过于苛刻。接下来看更一般的情况：令任意10个权重中的任意8个权重为0。这样也就把苛刻的限制条件变为宽松的限制条件，如下图所示：

这种假设称为稀疏假设（sparse hypothesis），于是有如下关系：

$H_2⊂ H^{'}_2 ⊂ H_{10}$H2​⊂H2′​⊂H10​

但是新的问题出现了：稀疏假设存在 NP-hard 问题，即求解非常困难。

思路是：寻找更加宽松的限制条件，使得易于求解。即：

其中，C是常数，也就是说，所有的权重w的平方和的大小不超过C，我们把这种假设集合（Hypothesis set）记为 $H(C)$H(C)。

这里有两点需要注意：

• $H^{'}_2$H2′​ 与 $H(C)$H(C) 的关系：有交集，但并非完全包含的关系；也不一定相等。
• $H(C)$H(C) 中，$C$C 越大，限制的范围越大，即限制条件越宽松：$H(0) ⊂ H(1126) ⊂ . . . ⊂ H(∞) = H_{10}$H(0)⊂H(1126)⊂...⊂H(∞)=H10​

$H(C)$H(C) 称为正则假设集合（regularized hypothesis set），其最优解为正则化假设 $W_{REG}$WREG​。下一小节介绍如何求这个最优解。

---

习题1：

---

14.2 Weight Decay Regularization

将上一小节提到的假设集合 $H(C)$H(C) 转化为下式：

这其实是一个最优化问题，即求解权重向量 $w$w 使得 $E_{in}(w)$Ein​(w) 最小。

限制条件 $||w^2|| \le C$∣∣w2∣∣≤C 的含义是：从几何角度上将，权重向量 $w$w 被限制在半径为 $\sqrt{C}$C​ 的圆内，而球外的 $w$w 都不符合要求。将上文提到的限制条件的求和形式转化为矩阵形式表示：

通常情况下，求解带有限制条件的最优化问题都会引用拉格朗日函数（拉格朗日乘子），下面用一张图解释在限定条件下， $E_{in}(w)$Ein​(w) 最小化的过程：

上图中，蓝色圆圈表示有限制的 $E_{in}(w)$Ein​(w) ，红色圆圈为限制条件 $w^Tw=C$wTw=C。

在没有限制条件的情况下，权重向量 $w$w 最终会取得最小值 $w_{lin}$wlin​，即“谷底”的位置。加上限制条件之后，权重向量 $w$w 被限制在半径为 $\sqrt{C}$C​ 的圆内，$w$w 到原点的距离不能超过圆的半径；这种情况下，$w$w 不能取得最小值 $w_{lin}$wlin​，最优解位于圆（红色圆）上，并且只能沿着切线方向（绿色线）变化。红色线（箭头）与绿色线（箭头）垂直，为圆（红色圆）的法向量，即 $w$w 的方向，$w$w 不能沿该方向变化。随着迭代的不断进行，只要 $− \nabla E_{in}$−∇Ein​ 不与绿色线（切向量）垂直，则$− \nabla E_{in}$−∇Ein​ 一定在绿色线上有分量，即 $w$w 点还会继续变化。只有当 $− \nabla E_{in}$−∇Ein​ 与绿色线垂直，即与红色线（法向量） 平行 时，此时的 $w$w 即为最优解。由此得到最优解满足的条件：

公式中，$\lambda$λ 称为拉格朗日乘子（Lagrange multiplier），是用来求解有条件约束最优化问题的常用工具。$\frac{2}{N}$N2​ 系数是为了方便公式推导，称这个公式为平行公式。此时目标函数变为求解满足上式的 $w_{REG}$wREG​ 。

线性回归 $E_{in}$Ein​ 的表达式为：

$E_{in} = \frac{1}{N} \sum^{N}_{n=1}(x^T_nw-y_n)^2$Ein​=N1​n=1∑N​(xnT​w−yn​)2

由该式计算梯度，并代入上文中的公式可得：

最后得到 $w_{REG}$wREG​ 的计算公式。上式中，$Z^TZ$ZTZ 是半正定的，因此只要保证 $\lambda > 0$λ>0，则 $Z^TZ + λI$ZTZ+λI 一定为正定矩阵（设 $M$M 是 n 阶方阵，如果对任何非零向量 $z$z，都有 $z^TMz> 0$zTMz>0，其中 $z^T$zT 表示 $z$z 的转置，就称M为正定矩阵。），因此一定可逆。统计学上，$Z^TZ + λI$ZTZ+λI 称为 岭回归（ridge regression）。

对于更一般的情况， $\nabla E_{in}(w_{REG})$∇Ein​(wREG​) 不是线性的，代入平行公式求解 $w_{REG}$wREG​ 是比较困难的。下面换个角度使用约束条件：

因为 $\nabla E_{in}(w_{REG})$∇Ein​(wREG​) 为 $E_{in}$Ein​ 对 $w_{REG}$wREG​ 的偏导数，则 $\frac {2 \lambda}{N}w_{REG}$N2λ​wREG​ 也可以看成是函数的导数，则由平行公式可知，左边两项的导数和等于零，即这个公式为求函数的最小值条件，此时我们做一步转化（相当于对平行公式积一次分），将问题转化为最小化该函数：

$E_{aug}(w) = E_{in}(w) + \frac{\lambda}{N}w^Tw$Eaug​(w)=Ein​(w)+Nλ​wTw

通过该变换，将有约束的最小化$E_{in}(w)$Ein​(w) 问题转换为有效的无约束的最小化 $E_{aug}(w)$Eaug​(w) 函数的问题。该函数中，$aug$aug 是增广误差（Augmented Error）的缩写，称函数 $E_{aug}(w)$Eaug​(w) 为增广误差函数；第二项为限制条件（regularizer），也称为权重衰减正则化（weight-decay regularization）。

如果使用正则化，只需要设置拉格朗日乘子 $\lambda > 0$λ>0 即可；如果不使用正则化，将 $\lambda$λ 置零，相当于没加任何约束条件，问题就又变为最初的最小化 $E_{in}(w)$Ein​(w) 的问题。

下图展示了不同的拉格朗日乘子的正则化对模型拟合能力的影响：

从图中可以看出，对于过拟合的情况，通过引入不同取值的拉格朗日乘子，模型逐渐欠拟合。可以把拉格朗日乘子 $\lambda$λ 看做惩罚项，$\lambda$λ 越大，权重向量 $w$w 就越小，对应于约束范围 $C$C 值就越小，即对假设模型中的高次项惩罚力度大，高阶项被削弱，模型不能表达高维空间的特征，从而导致欠拟合。在实际应用过程中，$\lambda$λ 一般取0.5作为初始化的值，最终取多少合适，还要根据自己的业务需求进行调整。

以上讨论的多项式是最一般的情形 $Φ(x) =(1,x,x^2,. . . ,x^Q)$Φ(x)=(1,x,x2,...,xQ)，若 x 的范围在 $[­-1,+1]$[­−1,+1] 之间，则可能导致 $x^q_n$xnq​ 相对于低阶项要小得多，则其对应的系数、亦即权重矩阵 $w_q$wq​ 非常大，相当于要给高阶项设置很大的惩罚。为了避免出现这种数据大小差别很大的情况，可以使用 勒让德多项式（Legendre Polynomials） 代替这种形式，勒让德多项式各项之间是正交的，多项式拟合效果更好。勒让德多项式的前5项如下图所示：

---

习题2：

---

14.3 Regularization and VC Theory

该小节从VC理论的角度说明正则化效果好的原因（第一小节从过拟合的角度介绍正则化好的原因）。

最小化 $E_{in}$Ein​ 正则化：

$min_w E_{in}(w) \ s.t. \ w^Tw ≤ C$minw​Ein​(w) s.t. wTw≤C

最小化增广误差（Augmented Error）正则化：

$E_{aug}(w) = E_{in}(w) + \frac{\lambda}{N}w^Tw$Eaug​(w)=Ein​(w)+Nλ​wTw

最小化 $E_{in}$Ein​ 的 VC Bound 表达式：

$E_{out}(w) ≤ E_{in}(w) + Ω(H(C))$Eout​(w)≤Ein​(w)+Ω(H(C))

以上三式中的参数说明：

• $w^Tw$wTw ：单个假设函数的复杂度，记为 $Ω(w)$Ω(w)；
• $Ω(H(C))$Ω(H(C))：假设空间的复杂度；

由上式可知，$Ω(w)$Ω(w) 包含于 $Ω(H(C))$Ω(H(C))，因此，$E_{aug}(w)$Eaug​(w) 比 $E_{in}(w)$Ein​(w) 更接近 $E_{out}(w)$Eout​(w) ，即能更好的代表 $E_{out}(w)$Eout​(w)。

回顾本课程第七章的内容，根据 VC-Dimention理论，整个假设空间的 $d_{vc} = \breve{d} + 1$dvc​=d˘+1，这是因为，在求解最小化的过程中，所有假设函数 $\{w \}${w}都考虑了。也就是说 $d_{VC}(H)$dVC​(H) 比较大，因为代表了整个假设空间。但是由于参数 C （或者说拉格朗日乘子 $\lambda$λ）的限制（正则化影响），限定了权重向量 $w$w 支取一小部分，有许多高阶项都被丢弃了，实际被考虑的只有 $H(C)$H(C)。因此，有效的 VC-Dimention $d_{EFF}(H,A)$dEFF​(H,A) 比较小，其中 $A$A 表示正则化算法。当 $\lambda > 0$λ>0时，有：

$d_{EFF}(H,A) \le d_{vc}$dEFF​(H,A)≤dvc​

这些与实际情况相符，比如对高阶多项式拟合模型，当 $\lambda = 0$λ=0 时，所有的权重向量 $w$w 都要考虑，相应的 $d_{vc}$dvc​ 很大，容易发生过拟合。当引入正则化，即 $\lambda > 0$λ>0 且逐渐增大时，越来越多的高阶项的权重向量 $w$w 被丢弃，$d_{EFF}(H,A)$dEFF​(H,A) 减小，容易发生欠拟合。$d_{EFF}(H,A)$dEFF​(H,A) 很小意味着模型复杂度很低。

---

习题3：

---

14.4 General Regularizers

本章的前几节介绍的正则化项是 权重衰减的正则化项（weight-decay (L2) regularizer），或称 L2正则化项，标量形式为 $\sum w^2_q$∑wq2​ ，向量形式为 $w^Tw$wTw。那么，更一般的正则化项（General Regularizers） $Ω(w)$Ω(w) 应遵循什么设计规则呢？一般地，会朝着目标函数的方向进行选取。有如下三种方式：

• 依据目标函数（target-dependent）设计：即根据目标函数的性质设计正则化项，如某目标函数是对称函数，因此权值向量的所有奇数分量应被抑制，可以设计成 $\sum [[q is odd]]w^2_q$∑[[qisodd]]wq2​ 的形式，在奇数是增加惩罚项；
• 依据可行的方法（plausible）设计：正则化项应尽可能地平滑（smooth）或简单（simpler），因为不论是随机性噪音还是确定性噪音都不是平滑的。平滑表示可微，如L2正则化项。简单表示容易求解，如L1（sparsity，稀疏）正则化项。
• 依据常用的方法（friendly）设计：正则化应该易于最优化求解，如L2。

其实正则化项设计不好也没有关系，因为正则化受拉格朗日乘子 $\lambda$λ 控制，当 $\lambda = 0$λ=0 时，正则化项不起作用。

误差衡量（error measure）也有类似的设计规则。正则化与误差衡量是机器学习模型设计中需要着重考虑的部分。接下来介绍两种正则化方法：L1正则化（稀疏）和L2正则化（权重衰减）：

由以上对比可知：

• L2正则化计算的是 $w$w 的平方和；并且是处处可微（平滑）的凹函数（convex是凸的意思，与我们高数所学的定义相反，此处我更正过来了，这一点之前也提到过。凹就是函数图像有最低点，优化过程就是求解最小值的过程），适用范围广，并且容易优化求解；
• L1正则化计算是 $w$w 的绝对值和，即长度和；也是凹函数，但并不是处处可微的函数（正方形的四个顶点不可微分），根据之前介绍的平行等式推导过程，这种正方形的解大都位于四个顶点处。因为正方形边界处的 $w$w 绝对值都不为零，若 $-\nabla E_{in}(w)$−∇Ein​(w) 与其不平行，则 $w$w 会向顶点处移动，顶点处的许多 $w$w 分量为零，所以，L1 正则化的解是稀疏的（sparsity）。优点是计算速度快。

下面看一下随机噪声（高斯噪声）强度 $\sigma^2$σ2 和确定性噪声强度 $Q_f$Qf​ 的不同取值下， 拉格朗日乘子 $\lambda$λ 应如何取值。

从以上图中可以看出，两类噪声强度越大， $\lambda$λ 就越大。

以上两种有噪声的情况下，都是噪声越大，相应的 $\lambda$λ 也就越大。如果用开车来比喻，路况越不好，即噪声越多，那么就越会踩刹车，这里踩刹车指的就是正则化。但是大多数情况下，噪声是不可知的，这种情况下如何选择 ？这部分内容，下节课介绍（Validation）。

---

习题4：

---

Summary

本节课介绍了正则化。首先，通过添加一些限制条件，将原来的假设空间变为正则化假设空间，把问题转化为最小化问题，即把 $w$w 的平方加进去。此过程，实际上是在降低VC Dimension。最介绍了正则化的设计准则以及两种常用的正则化方法。下节课将介绍如何选取合适的 $\lambda$λ 来建立最佳拟合模型。

---

参考：
https://www.cnblogs.com/ymingjingr/p/4306666.html
https://github.com/RedstoneWill/HsuanTienLin_MachineLearning