统计概念
一些统计的概念常常被用在机器学习中。
平方误差
平方误差 (Squared Error)是模型预测值与实际观测值之间的差异的平方。公式为:
\[SE_i=(y_i−\hat y_i)^2\]
其中,\(y_i\)是第\(i\)个样本的实际观测值,\(\hat{y}_i\)是模型对该样本的预测值。
均方误差(Mean Square Error,MSE)又称为二次损失、L2损失,就是所有样本平方误差的平均值,常用于回归问题中。
假设有 \(n\) 个训练数据,则均方误差为:
\[MSE=\frac{1}{n}\sum_{i=1}^n(y_i−\hat y_i)^2\]
基尼指数
基尼指数(Gini Index):假设数据集\(D\)中有\(K\)个类,样本属于第\(k\)类的比例为\(p_k\),基尼指数\(Gini(D)\) 表示集合D的不确定性(纯度),公式为:
\[Gini(D) = \sum^K_{k=1}p_k(1-p_k)=1-\sum^K_{k=1}p_k^2\]
如何理解这个公式?如果所有样品属于同一类别,则基尼指数为0,表示完全纯净。如果类别分布均匀(每个类别的样本比例相同),则基尼不纯度达到最大值。
对于特征\(A\),将集合\(D\)划分成\(D_1\)和\(D_2\),基尼指数\(Gini(D,A)\)表示经过\(A=a\)划分后集合\(D\)的不确定性,公式为:
\[Gini(D,A=a)=\frac{|D_1|}{|D|}Gini(D_1)+\frac{|D_2|}{|D|}Gini(D_2)\]
更一般的,如果特征\(T\)将集合\(D\)划分成\(K\)个类:
\[Gini(D,T)=\sum_{k=1}^K \frac{|D_k|}{|D|}Gini(D_k)\]
在分类任务中,我们想要找的就是一个特征\(A=a\),让上面的公式尽可能的小,说明这个特征非常的有效,分的泾渭分明。
你可能会想到用来描述贫富差距的基尼系数(Gini Coefficient),他们的关系不大。
熵
在物理学中,“熵”被用来表示热力学系统所呈现的无序程度。香农将这一概念引入信息论领域,提出了“信息熵”概念,通过对数函数来测量信息的不确定性。
残差
在回归分析中,残差是观测值与预测值之间的差异。简单来说,如果你有一个预测模型,残差就是实际数据点与模型预测值之间的距离。