Связь с принципом максимального правдоподобия

Многие модели машинного обучения $f_\mathbf{w}(\mathbf{x})$ могут сопоставлять целевой величине вероятностное распределение (probability distribution).

В случае задачи классификации - это вероятности каждого из классов при условии объекта $\mathbf{x}$:

$$[\hat{p}_\mathbf{w}(y=1|\mathbf{x}),\hat{p}_\mathbf{w}(y=2|\mathbf{x}),...\hat{p}_\mathbf{w}(y=C|\mathbf{x})]$$

В случае задачи регрессии предсказывается условная плотность вероятностного распределения $\hat{p}_\mathbf{w}(y|x)$, позволяющая рассчитать, с какой вероятностью вещественная величина принадлежит каждому интервалу.

В этих случаях модель машинного обучения представляет собой вероятностную модель. При предположении, что объекты выборки распределены независимо, вероятность пронаблюдать ответы на всей выборке $(X,Y)$ факторизуется в произведение вероятностей пронаблюдать ответ на каждом объекте выборки:

$$\hat{p}_\mathbf{w}(Y|X)=\prod_{n=1}^N \hat{p}_\mathbf{w}(y_n|\mathbf{x}_n)$$

Задача регрессии

В случае задачи регрессии получается аналогичная факторизация, но состоящая не из вероятностей отдельных классов, а из значений условной плотности.

Принцип максимума правдоподобия (maximum likelihood estimation) назначает такие параметры модели $\hat{\mathbf{w}}$, которые бы максимизировали вероятность пронаблюдать верные отклики на всех объектах обучающей выборки. Таким образом, параметры вероятностной модели находятся из условия

$$\hat{\mathbf{w}} = \arg\max_\mathbf{w} \prod_{n=1}^N \hat{p}_\mathbf{w}(y_n|\mathbf{x}_n)$$

Вычислительно неудобно максимизировать произведение большого количества малых чисел (получим машинный ноль), поэтому на практике максимизируют средний логарифм правдоподобия, дающий тот же самый результат:

$$\hat{\mathbf{w}} = \arg\max_\mathbf{w} \frac{1}{N}\sum_{n=1}^N \log \hat{p}_\mathbf{w}(y_n|\mathbf{x}_n)$$

Это очень похоже на принцип минимизации эмпирического риска, согласно которому параметры модели должны находиться из условия:

$$\hat{\mathbf{w}}=\arg\min_\mathbf{w}\frac{1}{N}\sum_{n=1}^{N}\mathcal{L}(f_{\mathbf{w}}(\mathbf{x}_{n}),\,y_{n})$$

Отсюда видна взаимосвязь принципа минимизации эмпирического риска и принципа максимального правдоподобия. При выборке такой функции потерь и прогнозирующей функции, что

$$\mathcal{L}(f_{\mathbf{w}}(\mathbf{x_n}),y_{n})=-\log \hat{p}_\mathbf{w}(y_n|\mathbf{x}_n),$$

модель машинного обучения настраивается точно так же, как соответствующая вероятностная модель. Верно и в обратную сторону. Если вероятностную модель выбрать таким образом, что равенство выше выполняется, то модель машинного обучения можно эквивалентно описать вероятностной моделью. Знак минус взят, поскольку в одном случае целевой функционал нужно максимизировать, а в другом - минимизировать.

Вы также можете прочитать о связи принципов минимизации эмпирического риска и принципа максимума правдоподобия при использовании разных типов регуляризации в [1].

Литература

1. Воронцов К. В. Математические методы обучения по прецедентам (теория обучения машин) // Москва. – 2011.