机器学习之方差与标准差

机器学习之方差与标准差

引用

CSDN

1.

https://m.blog.csdn.net/dundunmm/article/details/144486672

在机器学习中，方差（Variance）和标准差（Standard Deviation）是用于描述数据分布特性的两个重要统计量，广泛应用于数据分析、模型评价和优化等多个方面。

1. 方差（Variance）

方差衡量的是数据点与均值之间的离散程度。具体来说，它是数据集中每个数据点与其均值的差值的平方的平均值。

公式：

$$
\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2
$$

• N：数据点的总数量。
• xi：第 i 个数据点。
• μ：数据的均值。
• \sigma^2：方差。

意义：

• 方差越大，说明数据的分布越分散。
• 方差为零时，所有数据点都与均值相同。

应用：

• 特征选择：通过方差判断某些特征是否具有足够的信息量，若某特征方差接近零，可能表明该特征没有区分能力。
• 正则化：模型过拟合时，可能导致训练数据预测误差的方差变大；正则化方法（如 L2 正则化）有助于控制方差。

2. 标准差（Standard Deviation）

标准差是方差的平方根，用于衡量数据的离散程度。它与方差的关系为：

$$
\sigma = \sqrt{\sigma^2}
$$

意义：

• 标准差和方差本质相同，但标准差与原始数据的单位一致，便于直观理解。
• 标准差越大，说明数据波动越大；标准差小，数据更加集中。

3. 方差与标准差的应用场景

（1）评估模型性能

• Bias-Variance Tradeoff：机器学习模型需要在偏差（Bias）和方差（Variance）之间权衡。
• 偏差：模型预测值与真实值的系统性误差，通常与欠拟合相关。
• 方差：模型对训练数据的敏感程度，通常与过拟合相关。

（2）正态分布中的应用

在正态分布中，数据的标准差具有以下意义：

• μ±σ：包含约 68% 的数据。
• μ±2σ：包含约 95% 的数据。
• μ±3σ：包含约 99.7% 的数据。

（3）特征缩放

标准差用于标准化（Standardization）数据：

$$
z = \frac{x - \mu}{\sigma}
$$

这种处理使得数据具有零均值和单位标准差，帮助模型更快收敛。

4. 方差与标准差的区别

5. 示例

假设一组数据：2,4,6,8,10

1. 计算均值：

$$
\mu = \frac{2+4+6+8+10}{5} = 6
$$

2. 计算方差：

$$
\sigma^2 = \frac{(2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2}{5} = 8
$$

3. 计算标准差：

$$
\sigma = \sqrt{8} \approx 2.83
$$

6. 总结

• 方差和标准差是评估数据分布特性的重要指标。
• 它们在数据预处理、模型训练与评估中具有广泛的应用。
• 在实际应用中，标准差因其单位一致性更直观，而方差在理论分析中更常使用。