打破“維度的詛咒”，機器學習降維大法好

水木番 2021-05-30 16:49:02 來源：量子位

水木番 編譯整理
量子位 報道 | 公眾號 QbitAI

使用機器學習時，你是不是經(jīng)常因為有太多無關特征而導致模型效果不佳而煩惱？

而其實，降維就是機器學習中能夠解決這種問題的一種好方法。

知名科技博主Ben Dickson?對此進行了探討，并在TechTalks上發(fā)表了博客《機器學習：什么是降維》，本文的編譯整理已受到Ben Dickson?本人授權。

他指出，機器學習算法因為能夠從具有許多特征的數(shù)據(jù)集中找出相關信息而大火，這些數(shù)據(jù)集往往包括了幾十行的表格或者數(shù)百萬像素的圖像。

云計算的突破可以幫助使用者運行大型的機器學習模型，而不用管后臺的計算能力。

但是，每增加一個新特征都會增加復雜性，增大使用機器學習算法的困難。

數(shù)據(jù)科學家通常使用降維，這是一套從機器學習模型中去除過多或者無關特征的技術。

降維可以降低機器學習的成本，有時還可以幫助用更簡單的模型來解決復雜的問題。

以下讓我們來看看是他的文章。

維度的詛咒

機器學習模型可以將特征映射到結果。

比如，假設你想創(chuàng)建一個模型，來預測一個月內(nèi)的降雨量：

你有一個在不同月份從不同城市收集的各類信息的數(shù)據(jù)集，包括溫度、濕度、城市人口、交通、在城市舉辦的音樂會數(shù)量、風速、風向、氣壓、購買的汽車票數(shù)量和降雨量。

顯然，這些信息并不是都和降雨預測有關。

有些特征可能和目標變量毫無關系。

比如，人口和購買的汽車票數(shù)量并不影響降雨量。

其他特征可能與目標變量相關，但與它沒有因果關系。

比如，戶外音樂會的數(shù)量可能與降雨量相關，但它不是一個很好的降雨預測器。

在其他情況下，比如碳排放，特征和目標變量之間可能有聯(lián)系，但效果可以忽略不計。

在這個例子中，哪些特征是有價值的，哪些是無用的，是顯而易見的。

在其他問題中，過度的特征可能不明顯，這就需要進一步的數(shù)據(jù)分析。

但是，為什么要費力地去除多余的維度呢？

因為當你有太多的特征時，你也會需要一個更復雜的模型，這就意味著你需要更多的訓練數(shù)據(jù)和更多的計算能力，才能把模型訓練到一個可接受的水平。

由于機器學習不了解因果關系，即使沒有因果關系，模型也會試圖將數(shù)據(jù)集中的任何特征映射到目標變量，這可能會導致模型錯誤。

另一方面，減少特征的數(shù)量會使機器學習模型更簡單，更有效，對數(shù)據(jù)的要求也更低。

很多特征造成的問題通常被稱為?“維度的詛咒”，而且它們并不限于表格數(shù)據(jù)。

考慮一個對圖像進行分類的機器學習模型。如果你的數(shù)據(jù)集由100×100像素的圖像組成，那么每個像素一個，這樣的問題空間有10,000個特征。然而，即使在圖像分類問題中，一些特征也是過度的，可以被刪除。

降維可以識別并刪除那些損害機器學習模型性能或?qū)ζ錅蚀_性沒有貢獻的特征。

目前有幾種降維技術，每一種都有有用的適用范圍。

特征選擇

一個基本且有效的降維方法是“特征選擇”，就是識別和選擇與目標變量最相關的特征子集。

當處理表格數(shù)據(jù)時，特征選擇非常有效，因為其中的每一列都代表了一種特定的信息。

在進行特征選擇時，數(shù)據(jù)科學家要做兩件事：

保留與目標變量高度相關的特征，和對數(shù)據(jù)集的方差貢獻最大的特征。

Python的Scikit-learn庫開發(fā)了很多功能，能夠分析、可視化和選擇正確的特征，來實現(xiàn)機器學習模型。

比如，數(shù)據(jù)科學家可以使用散點圖和熱圖來可視化不同特征的協(xié)方差。

如果兩個特征高度相關，那么它們將對目標變量產(chǎn)生類似的影響，因此，可以刪除其中一個，而不會對模型造成負面影響。

這些工具還可以幫助可視化特征和分析目標變量之間的關聯(lián)性，從而幫助去除不影響目標變量的變量。

比如，你可能會發(fā)現(xiàn)，在你的數(shù)據(jù)集的25個特征中，有7個對目標變量的影響占到了95%。

所以能夠刪除18個特征，使機器學習模型變得更簡單，而不會對模型的準確性產(chǎn)生太大影響。

投影技術

有時，你沒辦法刪除個別特征，但這并不意味著不能簡化機器學習模型。

投影技術?就是一個好辦法，也被稱為?“特征提取”?，可以通過將幾個特征壓縮到一個低維空間來簡化模型。

用于表示投影技術的一個常見示例是?“瑞士卷”。

這是一組圍繞三維焦點旋轉的數(shù)據(jù)點，這個數(shù)據(jù)集有三個特征。每個點（目標變量）的值是根據(jù)它沿卷曲路徑到瑞士卷中心的距離來測量的。在下面的圖片中，紅點更靠近中心，黃點沿著滾動方向更遠。

創(chuàng)建一個機器學習模型，將瑞士卷點的特征映射到它們的值非常難，需要一個具有許多參數(shù)的復雜模型。但是，引入降維技術，這些點可以被投射到一個較低維度的空間，可以用一個簡單的機器學習模型來學習。

有各種投影技術。在上面的例子中，我們使用了?“局部線性嵌入(LLE)”的方法，這種算法可以降低問題空間的維度，同時保留了分離數(shù)據(jù)點數(shù)值的關鍵元素。當我們的數(shù)據(jù)用LLE處理時，結果看起來就像下面的圖片，這就像一個展開的瑞士卷。

你可以看到，每種顏色的點都保持在一起。因此，這個問題仍然可以簡化為一個單一的特征，并用最簡單的機器學習算法（線性回歸）建模。

雖然這個例子是假設性的，但如果你把特征投射到一個較低維度的空間，經(jīng)常會面臨一些可以簡化的問題。

比如，?“主成分分析”（PCA）?是一種流行的降維算法，在簡化機器學習問題方面有許多有用的應用。

在優(yōu)秀的《用Python進行機器學習(Hands-on Machine Learning with Python)》一書中，數(shù)據(jù)科學家Aurelien Geron展示了如何使用PCA將MNIST數(shù)據(jù)集從784個特征（28×28像素）減少到150個特征，同時保留了95%的方差。

這種降維水平對人工神經(jīng)網(wǎng)絡的訓練和運行成本的影響特別大。

關于投影技術，有幾個注意事項需要考慮：

一旦你開發(fā)了投影技術，就必須先將新數(shù)據(jù)點轉換到低維空間，然后再通過機器學習模型運行它們。但如果這個預處理步驟的成本太大，最后模型的收益太小的話，可能不太值。

第二個問題是，轉換后的數(shù)據(jù)點可能不能直接代表其原始特征，如果將它們再轉換回原始空間可能很麻煩，某些情況下也不太可行，因此這可能會很難解釋模型的推論。

機器學習工具箱中的降維

簡單總結一下。

過多的特征會降低機器學習模型的效率，但刪除過多的特征也不太好。

數(shù)據(jù)科學家可以用降維作為一個工具箱，生成好的機器學習模型，但和其他工具一樣，使用降維的時候也有許多問題，有許多地方都需要小心。

作者簡介

知名科技博主、軟件工程師Ben Dickson，TechTalks的創(chuàng)始人。