本节介绍了机器学习中三个重要原则，包括奥卡姆剃刀原理，样本偏差，数据窥探；并对16课程所学知识进行了总结。

系列文章

机器学习基石01：机器学习简介
 机器学习基石02：感知器算法（Perceptron Algorithm）
机器学习基石03：机器学习的类型（Types of ML）
机器学习基石04：机器学习的可行性（Feasibility of ML）
机器学习基石05：训练与测试（Training versus Testing）
机器学习基石06：泛化理论（Theory of Generalization）
机器学习基石07：VC维（The VC Dimension）
机器学习基石08：噪声和误差（Noise and Error）
机器学习基石09：线性回归（Linear Regression）
机器学习基石10：逻辑回归（Logistic Regression）
机器学习基石11：线性模型分类（Linear Models for Classification）
机器学习基石12：非线性变换（Nonlinear Transformation）
机器学习基石13：过拟合风险（Hazard of Overfitting）
机器学习基石14：正则化（Regularization）
机器学习基石15：交叉验证（Cross Validation）
机器学习基石16：三个重要原则（Three Learning Principles）

16.1 Occam's Razor
16.2 Sampling Bias
16.3 Data Snooping
16.4 Power of Three

三个应用领域
三个约束理论
三个线性模型
三个关键工具
三个重要原则
三项未来工作

16. Three Learning Principles

16.1 Occam’s Razor

entia non sunt multiplicanda praeter necessitatem(entities must not be multiplied beyond necessity) – William of Occam (1287-1347)

这边是奥卡姆剃刀原理（Occam’s razor）的出处。一句话总结：“如无必要，勿增实体。”

机器学习中 奥卡姆剃刀原理 的意思是 应尽可能选择简单的模型进行设计。

看一个模型选择例子：
机器学习基石16：三个重要原则（Three Learning Principles）

左边的模型虽然可能有分错的情况，但模型简单，满足需求；右边的模型虽然都分类正确，但过于复杂。依据奥卡姆剃刀原理，选择左边的模型作为设计的模型。考虑以下两个问题：

简单模型中的“简单”是如何界定的？
为什么简单模型比复杂模型要好？（奥卡姆剃刀原理为什么在机器学习中适用？）

先看第一个问题：简单模型中的“简单”是如何界定的？
机器学习基石16：三个重要原则（Three Learning Principles）
由上图可知，“简单”有两个方面：

对于单个假设函数 $h$ 来说，参数越少意味着越简单。如上图中左边的分类超平面只用圆心和半径就能表达，因此参数很少，这就是“简单”的，而右边的超平面则过于复杂，包含很多高次项，参数量很多，因此并不“简单”；
对于假设空间 $H$ 来说，有效假设的数量越少意味着越简单。

二者是密切相关的，一个假设空间 $H$ 中的假设函数 $h$ 的数量 $|H| = 2^l$ ；如果假设空间 $H$ 中的模型复杂度 $\Omega(H)$ 很小，则假设函数的模型复杂度 $\Omega(h)$ 也会很小。

接下来，看第二个问题：为什么简单模型比复杂模型要好？

假设一个数据集的规律性很差，如样本的标记都是随便标记的，此种情况，很少有甚至没有假设函数能使得该样本的 $E_{in} \approx 0$ 。如果一个数据集能被某个模型分开，则该数据集的规律性不会特别差。在使用简单模型将数据大致分开时，则可以确定该数据集是具有某种规律性的；如果用复杂模型将某数据集分开，则无法确定是数据集具有规律性还是模型足够复杂将数据集分开。因此，在实际应用中，应该尽量先选择简单模型，例如最简单的线性模型。

习题1：
机器学习基石16：三个重要原则（Three Learning Principles）

16.2 Sampling Bias

用一个例子说明：1948年美国总统大选的两位热门候选人是Truman和Dewey。一家报纸通过电话采访，统计人们把选票投给了Truman还是Dewey。经过大量的电话统计显示，投给Dewey的票数要比投个Truman的票数多，所以这家报纸就在选举结果还没公布之前，信誓旦旦地发表了“Dewey Defeats Truman”的报纸头版，但结果却是Truman赢得了大选的胜利。

为什么会出现跟电话统计完全相反的结果呢？因为当时电话比较贵，有电话的家庭比较少，而有电话的人大多都支持Dewey，没有电话的人大多都支持Truman。也就是说样本选择偏向于有钱人那边，不具有广泛的代表性，才造成Dewey支持率更多的假象。

这个例子表明，抽样的样本会影响到结果，用一句话表示：如果抽样有偏差，则学习的结果也会产生偏差。这种情形称为 抽样偏差（Sampling Bias）。从技术上来说，就是训练数据和验证数据要服从同一个分布，最好都是独立同分布的，这样训练得到的模型才具有代表性。

习题2：
机器学习基石16：三个重要原则（Three Learning Principles）

16.3 Data Snooping

之前提到过，在选择模型时，应该尽量避免数据偷窥（Data Snooping），因为这样会人为地倾向于某种模型，而不是根据数据进行随机选择。所以应该自由选取，最好不要偷窥原始数据。在使用数据的任何过程中，都算是间接地偷窥了数据，然后在进行模型的选择或者决策的时候，就会增加模型复杂度（model complexity），也就是引入了污染。下面举例说明。

假如有8年的货币交易数据，希望通过这些数据来预测货币的走势。前6年数据作为训练数据，后2年数据作为测试数据训练模型。输入20天的数据，预测第21天的货比交易情况。
机器学习基石16：三个重要原则（Three Learning Principles）
上图中，红线表示使用8年的数据建立模型预测后两年的收益情况；蓝线表示使用前6年的数据建立模型预测后两年的收益情况。