机器学习中的参数和超参数 模型参数和超参数

1.模型选择与评估

1.1 模型参数、超参数

了解什么是模型参数，什么是超参数是很必要的，不同类型的参数需要在不同的阶段进行调节（参数——训练集；超参数——验证集）

模型参数：模型内部的配置变量，可以通过数据估计（学习）模型参数的值
超参数：模型的外部配置变量，需要手动设置，好的超参数可以进一步提高模型的性能

模型参数的特点：
1.进行模型预测时需要模型参数；
2.可定义模型功能；
3.可使用数据估计/学习得到；
4.一般不用手动设置；
5.作为学习模型的一部分保留
比如：神经网络中的权重，线性回归中的系数

超参数的特点：
1.常应用于估计模型参数的过程中，在开始学习之前就要设置好；训练过程不影响超参数
2.通常要手动设置
3.通常不能从数据中估计（学习）得到，一般需要通过经验设定；
4.定义关于模型的更高层次的概念，如复杂性或学习能力
比如：学习率，K邻域中的K

1.2 训练集，测试集，验证集

很显然我们想要一个这样的模型：在未知数据上表现好（也就是通过训练，学会了举一反三，泛化误差小）。而实际上我们数据有限，不能直接得到泛化误差，于是我们用测试集误差来近似泛化误差（相当于高考），我们当然也需要训练集（相当于平时的作业），而为了评估模型优劣，选择最佳模型，需要验证集（月考，模拟考），我们不能让三者出现交叉数据，以免评估结果失真（作弊）。
给定数据集D,我们要将其划分为：
1.训练集：用于训练模型，调节模型参数；
2.验证集：选择模型最终模型A,即确定学习算法，参数（模型参数、超参数）
3.测试集：测试模型A

而在确定最终模型时（确定超参数之后），要将训练集+验证集作为最终训练集，以获取最佳模型参数。
也就是说验证集是为了确定模型最佳超参数，而最终将训练集+验证集作为训练是为了获取最佳模型参数（实际上不同的数据对应着不同的模型参数以及超参数，数据集的划分不同，那么参数、超参数就会不同）

由验证集挑选得到的模型，与最终模型（训练集+验证集得到）的超参数（如学习率）相同，而模型参数（树的划分、叶节点）不同

实际上人们会把原始数据分为训练集和测试集，而在训练集中又分为训练集+验证集，以保证数据集没有交叉，否则会导致模型失真。

1.3 留出法、交叉验证法、自助法

1.3.1留出法

sklearn.model_selection.train_test_split
将数据集简单切分为训练集（之后会再切分为训练集+验证集），测试集

缺点：
1.样本标签不平衡时（如正样本多、负样本少），易造成训练集，测试集分布不同，影响训练、测试

改进：为保证训练集，测试集分布相似——分层抽样（stratify）

x_train,x_test,y_train,y_test=train_test_split(X,Y,stratify=Y,shuffle=True,random_state=1)

2.单次切分数据集偶然性太大，不同切分造成模型训练、评估结果大不相同

改进：为提高评估有效性——多次划分取平均

1.3.2交叉验证法（cross validation）

分为K折交叉验证、分层K折交叉验证、多次K折交叉验证等，网上资源很多。
其中一个特例：留一法：K=样本数，此时不受划分方式影响，被认为评估结果较客观，但是计算开销大

1.3.3.自助法

实质为多次有放回抽样：

对m个样本进行有放回m次抽样，得到m个样本的训练集（部分样本可能会多次被抽到），
未抽到的作为测试集

特点：改变了数据集的分布，引入了偏差

总结：当数据集非常大时，采用留出法；数据集较大时采用交叉验证法（留一法适用于数据集很小的情况）；数据集非常小时，采用自助法

参考：
1.西瓜书
2.统计学习方法
3.如何正确使用机器学习中的训练集、验证集和测试集？