通俗理解Platt scaling/Platt缩放/普拉特缩放

news2024/11/19 15:37:06

一、引言

最近在读论文的时候接触到Platt scaling，有点不理解这个概念。然后好奇心比较重，就看了一些科普，并追根溯源调查了一下Platt scaling。最终搞懂了这个概念，写个博客记录一下。中文翻译有看到：普拉特缩放，但是我比较喜欢叫它Platt缩放。Platt是一位机器学习领域的研究者，Platt scaling是以他名字命名的概念。

Platt缩放出自论文[2]，这篇论文非常的厉害，谷歌学术引用数量在2023年1月7看到时已经达到7337。

二、Platt scaling/Platt缩放/普拉特缩放

在机器学习中，Platt scaling是一种将分类模型的输出转换为类概率分布的方法。该方法是由John Platt在支持向量机的背景下发明的，取代了Vapnik的早期方法，但可以应用于其他分类模型。Platt scaling的工作原理是将逻辑回归模型与分类器的分数拟合。

简单地说，在一些分类模型中，对于输入一个样本x，模型给出的输出y不是一个概率值(范围为[0,1])，而是一个分数或者距离值(范围超出0,1])。这个分数或者距离值可能会影响到分类模型在其他任务中的应用，不方便使用。所以研究者非常聪明地想到了一个办法：将模型的输出值(分数或者距离值)转换成一个概率值，然后再用于其他任务。

具体的方法如下：

假设 $\tiny x$ 是一个样本，且 $\tiny x \in R^d$ 。 $\tiny f$ 表示一个二分类模型，对于输入 $\tiny x$ ，该分类模型的输出值为 $\tiny f(x)$ ，其中 $\tiny f(x)$ 的范围不仅仅是区间 $\tiny [0,1]$ 。而在该二分类任务中， $\tiny x$ 的标签 $\tiny y$ 的值为 $\tiny +1$ 或 $\tiny -1$ 。

Platt scaling是一个两参数(two-parameter)优化问题，而优化的目标为

$\tiny min-\sum_i{t_i{\rm log}(p_i)+(1-t_i){\rm log}(1-p_i)}$

其中 $\tiny t_i=\frac{y_i+1}{2}$ ，而 $\tiny y_i$ 是样本 $\tiny x_i$ 是标签值；另外， $\tiny p_i = \frac{1}{1+e^{Af(x_i)+B}}$ ， $\tiny A$ 和 $\tiny B$ 就是Platt scaling要学习的参数(只有两个)。在该优化问题中，训练集是 $\tiny (f(x_i), t_i)$ 。

由于优化目标是两参数最小化问题，所以用什么优化算法应该都是可以的。其中，论文[2]使用了model-trust minimization算法[3]。具体的优化算法我这里就不多说了，如果只是理解Platt scaling的话，我们不妨想象一下使用梯度下降算法来优化这个目标。

最终，我们可以通过样本 $\tiny x$ ，经过模型 $\tiny f$ 得到 $\tiny f(x)$ ，然后将 $\tiny f(x)$ 传到Platt scaling得到一个概率值 $\tiny p$ ，而 $\tiny p$ 的范围一定是属于区间 $\tiny [0,1]$ 的。 $\tiny f(x)$ 的缩放最终得以实现。

三、应用举例

上面我没有对具体的应用进行举例子说明。这里，我就根据我目前遇到的问题谈一个实际的应用。是这样的，我所在的领域是知识图谱嵌入，一些知识图谱嵌入模型的样本的输出值是范数距离(范围是[0,+∞))，另一些是概率值(范围是[0,1])，还有一些是实数值(范围是[-∞,+∞))。然后我看到了一篇关于集成学习的文章[4]，这篇文章想要把各种知识图谱嵌入模型当作个体学习器集成起来。但是呢，这些个体学习器的输出值的范围有很大差别，集成的结果肯定是不好。所以，这篇文章的作者就使用了Platt缩放，最终将所有模型的输出值都转化为了概率值。然后，作者通过使用所有模型的概率值的算术平均当作最终的预测概率。

四、参考

[1] Platt scaling - Wikipedia.

[2] Platt, John. "Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods." Advances in large margin classifiers 10.3 (1999): 61-74.

[3] Gill, Philip E., Walter Murray, and Margaret H. Wright. Practical optimization. Society for Industrial and Applied Mathematics, 2019.

[4] Krompaß, Denis, and Volker Tresp. "Ensemble solutions for link-prediction in knowledge graphs." Proceedings of the 2nd Workshop on Linked Data for Knowledge Discovery, Porto, Portugal. 2015.

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/147799.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！