import numpy as np
import os
os.chdir('../')
import matplotlib.pyplot as plt
%matplotlib inline
一.最大熵原理
最大熵的思想很朴素，即将已知事实以外的未知部分看做“等可能”的，而熵是描述“等可能”大小很合适的量化指标，熵的公式如下：
\[H(p)=-\sum_{i}p_i log p_i \]
这里分布\(p\)的取值有\(i\)种情况，每种情况的概率为\(p_i\)，下图绘制了二值随机变量的熵：
p=np.linspace(0.1,0.9,90)
def entropy(p):
return -np.log(p)*p-np.log(1-p)*(1-p)
plt.plot(p,entropy(p))
[<matplotlib.lines.Line2D at 0x245a3d6d278>]
当两者概率均为0.5时，熵取得最大值，通过最大化熵，可以使得分布更“等可能”；另外，熵还有优秀的性质，它是一个凹函数，所以最大化熵其实是一个凸问题。
对于“已知事实”，可以用约束条件来描述，比如4个值的随机变量分布，其中已知\(p_1+p_2=0.4\)，它的求解可以表述如下：
\[\max_{p} -\sum_{i=1}^4 p_ilogp_i \\ s.t. p_1+p_2=0.4\\ p_i\geq 0,i=1,2,3,4\\ \sum_i p_i=1 \]
显然，最优解为：\(p_1=0.2,p_2=0.2,p_3=0.3,p_4=0.3\)
二.最大熵模型
最大熵模型是最大熵原理在分类问题上的应用，它假设分类模型是一个条件概率分布\(P(Y|X)\)，即对于给定的输入\(X\)，以概率\(P(Y|X)\)输出\(Y\)，这时最大熵模型的目标函数定义为条件熵：
\[H(P)=-\sum_{x,y}\tilde{P}(x)P(y|x)logP(y|x) \]
这里，\(\tilde{P}(x)\)表示边缘分布\(P(X)\)的经验分布，\(\tilde{P}(x)=\frac{v(X=x)}{N}\)，\(v(X=x)\)表示训练样本中输入\(x\)出现的次数，\(N\)表示训练样本的总数。
而最大熵模型的“已知事实”可以通过如下等式来约束：
\[\sum_{x,y}\tilde{P}(x)P(y|x)f(x,y)=\sum_{x,y}\tilde{P}(x,y)f(x,y) \]
为了方便，左边式子记着\(E_P(f)\)，右边式子记着\(E_{\tilde{P}}(f)\)，等式描述的是某函数\(f(x,y)\)关于模型\(P(Y|X)\)与经验分布\(\tilde{P}(X)\)的期望与函数\(f(x,y)\)关于经验分布\(\tilde{P}(X,Y)\)的期望相同。(这里\(\tilde{P}(x,y)=\frac{v(X=x,Y=y)}{N}\))
所以重要的约束信息将由\(f(x,y)\)来表示，它的定义如下：
\[f(x,y)=\left\{\begin{matrix} 1 & x与y满足某一事实\\ 0 & 否则 \end{matrix}\right. \]
故最大熵模型可以理解为，模型在某些事实发生的期望和训练集相同的条件下，使得条件熵最大化。所以，对于有\(n\)个约束条件的最大熵模型可以表示为：
\[\max_P -\sum_{x,y}\tilde{P}(x)P(y|x)logP(y|x) \\ s.t. E_P(f_i)=E_{\tilde{P}}(f_i),i=1,2,…,n\\ \sum_y P(y|x)=1 \]
按照优化问题的习惯，可以改写为如下：
\[\min_P \sum_{x,y}\tilde{P}(x)P(y|x)logP(y|x) \\ s.t. E_P(f_i)-E_{\tilde{P}}(f_i)=0,i=1,2,…,n\\ \sum_y P(y|x)-1=0 \]
由于目标函数为凸函数，约束条件为仿射，所以我们可以通过求解对偶问题，得到原始问题的最优解，首先引入拉格朗日乘子\(w_0,w_1,…,w_n\)，定义拉格朗日函数\(L(P,w)\)：
\[L(P,w)=-H(P)+w_0(1-\sum_yP(y|x)+\sum_{i=1}^nw_i(E_{\tilde{P}}(f_i))-E_P(f_i)) \]
所以原问题等价于：
\[\min_P\max_w L(P,w) \]
它的对偶问题：
\[\max_w\min_P L(P,w) \]
首先，解里面的 \(\min_P L(P,w)\)，其实对于\(\forall w\)，\(L(P,w)\)都是关于\(P\)的凸函数，因为\(-H(P)\)是关于\(P\)的凸函数，而后面的\(w_0(1-\sum_yP(y|x)+\sum_{i=1}^nw_i(E_{\tilde{P}}(f_i))-E_P(f_i))\)是关于\(P(y|x)\)的仿射函数，所以求\(L(P,w)\)对\(P\)的偏导数，并令其等于0，即可解得最优的\(P(y|x)\),记为\(P_w(y|x)\)，即：
\[\frac{\partial L(P,w)}{\partial P(y|x)}=\sum_{x,y}\tilde{P}(x)(logP(y|x)+1)-\sum_yw_0+\sum_{i=1}^n\sum_{x,y}\tilde{P}(x)f_i(x,y)w_i\\ =\sum_{x,y}\tilde{P}(x)(logP(y|x)+1-w_0-\sum_{i=1}^nw_if_i(x,y))\\ =0 \]
在训练集中对任意样本\(\forall x,y\)，都有\(\tilde{P}(x)(logP(y|x)+1-w_0-\sum_{i=1}^nw_if_i(x,y))=0\)，显然\(\tilde{P}(x)>0\)(\(x\)本来就是训练集中的一个样本，自然概率大于0)，所以\(logP(y|x)+1-w_0-\sum_{i=1}^nw_if_i(x,y)=0\)，所以：
\[P_w(y|x)=exp(\sum_{i=1}^nw_if_i(x,y)+w_0-1)\\ =\frac{exp(\sum_{i=1}^nw_if_i(x,y))}{exp(1-w_0)}\\ =\frac{exp(\sum_{i=1}^nw_if_i(x,y))}{\sum_y exp(\sum_{i=1}^nw_if_i(x,y))} \]
这就是最大熵模型的表达式（最后一步变换用到了\(\sum_y P(y|x)=1\)），这里\(w\)即是模型的参数，聪明的童鞋其实已经发现，最大熵模型其实就是一个线性函数外面套了一个softmax函数，它大概就是如下图所示的这么回事：
接下来，将\(L(P_w,w)\)带入外层的\(max\)函数，即可求解最优的参数\(w^*\)：
\[w^*=arg\max_w L(P_w,w) \]
推导一下模型的梯度更新公式：
\[L(P_w,w)=\sum_{x,y}\tilde{P}(x)P_w(y|x)logP_w(y|x)+\sum_{i=1}^nw_i\sum_{x,y}(\tilde{P}(x,y)f_i(x,y)-\tilde{P}(x)P_w(y|x)f_i(x,y))\\ =\sum_{x,y}\tilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y)+\sum_{x,y}\tilde{P}(x)P_w(y|x)(logP_w(y|x)-\sum_{i=1}^nw_if_i(x,y))\\ =\sum_{x,y}\tilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y)-\sum_{x,y}\tilde{P}(x)P_w(y|x)log(\sum_{y^{‘}}exp(\sum_{i=1}^nw_if_i(x,y^{‘})))\\ =\sum_{x,y}\tilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y)-\sum_{x}\tilde{P}(x)log(\sum_{y^{‘}}exp(\sum_{i=1}^nw_if_i(x,y^{‘})))\\ =\sum_{x,y}\tilde{P}(x,y)w^Tf(x,y)-\sum_{x}\tilde{P}(x)log(\sum_{y^{‘}}exp(w^Tf(x,y^{‘}))) \]
这里，倒数第三步到倒数第二步用到了\(\sum_yP(y|x)=1\)，最后一步中\(w=[w_1,w_2,…,w_n]^T,f(x,y)=[f_1(x,y),f_2(x,y),…,f_n(x,y)]^T\)，所以：
\[\frac{\partial L(P_w,w)}{\partial w}=\sum_{x,y}\tilde{P}(x,y)f(x,y)-\sum_x\tilde{P}(x)\frac{exp(w^Tf(x,y))f(x,y)}{\sum_{y^{‘}}exp(w^Tf(x,y^{‘}))} \]
所以，自然\(w\)的更新公式：
\[w=w+\eta\frac{\partial L(P_w,w)}{\partial w} \]
这里，\(\eta\)是学习率
三.对特征函数的进一步理解
上面推导出了最大熵模型的梯度更新公式，想必大家对\(f(x,y)\)还是有点疑惑，“满足某一事实”这句话该如何理解？这其实与我们的学习目的相关，学习目的决定了我们的“事实”，比如有这样一个任务，判断“打”这个词是量词还是动词，我们收集了如下的语料：
| 句子/\(x\) | 目标/\(y\) |
|---|---|
| \(x_1:\)一打火柴 | \(y_1:\)量词 |
| \(x_2:\)三打啤酒 | \(y_2:\)量词 |
| \(x_3:\)打电话 | \(y_3:\) 动词 |
| \(x_4:\)打篮球 | \(y_4:\) 动词 |
通过观察，我们可以设计如下的两个特征函数来分别识别”量词”和”动词”任务：
\[f_1(x,y)=\left\{\begin{matrix} 1 & “打”前是数字\\ 0 & 否则 \end{matrix}\right. \]
\[f_2(x,y)=\left\{\begin{matrix} 1 & “打”后是名词，且前面无数字\\ 0 & 否则 \end{matrix}\right. \]
当然，你也可以设计这样的特征函数来做识别“量词”的任务：
\[f(x,y)=\left\{\begin{matrix} 1 & “打”前是”一”,”打”后是”火柴”\\ 0 & 否则 \end{matrix}\right. \]
\[f(x,y)=\left\{\begin{matrix} 1 & “打”前是”三”,”打”后是”啤酒”\\ 0 & 否则 \end{matrix}\right. \]
只是，这样的特征函数设计会使得模型学习能力变弱，比如遇到“三打火柴”，采用后面的特征函数设计就识别不出“打”是量词，而采用第一种特征函数设计就能很好的识别出来，所以要使模型具有更好的泛化能力，就需要设计更好的特征函数，而这往往依赖于人工经验，对于自然语言处理这类任务（比如上面的例子），我们可以较容易的归纳总结出一些有用的经验知识，但是对于其他情况，人工往往难以总结出一般性的规律，所以对于这些问题，我们需要设计更“一般”的特征函数。
一种简单的特征函数设计
我们可以简单考虑\(x\)的某个特征取某个值和\(y\)取某个类的组合做特征函数（对于连续型特征，可以采用分箱操作），所以我们可以设计这样两类特征函数：
（1）离散型：
\[f(x,y)=\left\{\begin{matrix} 1 & x_i=某值,y=某类\\ 0 & 否则 \end{matrix}\right. \]
（2）连续型：
\[f(x,y)=\left\{\begin{matrix} 1 & 某值1\leq x_i< 某值2,y=某类\\ 0 & 否则 \end{matrix}\right. \]
四.代码实现
为了方便演示，首先构建训练数据和测试数据
# 测试 from sklearn import datasets from sklearn import model_selection from sklearn.metrics import f1_score iris = datasets.load_iris() data = iris['data'] target = iris['target'] X_train, X_test, y_train, y_test = model_selection.train_test_split(data, target, test_size=0.2,random_state=0)
为了方便对数据进行分箱操作，封装一个DataBinWrapper类，并对X_train和X_test进行转换（该类放到ml_models.wrapper_models中）
class DataBinWrapper(object):
def __init__(self, max_bins=10):
# 分段数
self.max_bins = max_bins
# 记录x各个特征的分段区间
self.XrangeMap = None
def fit(self, x):
n_sample, n_feature = x.shape
# 构建分段数据
self.XrangeMap = [[] for _ in range(0, n_feature)]
for index in range(0, n_feature):
tmp = x[:, index]
for percent in range(1, self.max_bins):
percent_value = np.percentile(tmp, (1.0 * percent / self.max_bins) * 100.0 // 1)
self.XrangeMap[index].append(percent_value)
def transform(self, x):
"""
抽取x_bin_index
:param x:
:return:
"""
if x.ndim == 1:
return np.asarray([np.digitize(x[i], self.XrangeMap[i]) for i in range(0, x.size)])
else:
return np.asarray([np.digitize(x[:, i], self.XrangeMap[i]) for i in range(0, x.shape[1])]).T
data_bin_wrapper=DataBinWrapper(max_bins=10) data_bin_wrapper.fit(X_train) X_train=data_bin_wrapper.transform(X_train) X_test=data_bin_wrapper.transform(X_test)
X_train[:5,:]
array([[7, 6, 8, 7],
[3, 5, 5, 6],
[2, 8, 2, 2],
[6, 5, 6, 7],
[7, 2, 8, 8]], dtype=int64)
X_test[:5,:]
array([[5, 2, 7, 9],
[5, 0, 4, 3],
[3, 9, 1, 2],
[9, 3, 9, 7],
[1, 8, 2, 2]], dtype=int64)
由于特征函数可以有不同的形式，这里我们将特征函数解耦出来，构造一个SimpleFeatureFunction类（后续构造其他复杂的特征函数，需要定义和该类相同的函数名，该类放置到ml_models.linear_model中）
class SimpleFeatureFunction(object):
def __init__(self):
"""
记录特征函数
{
(x_index,x_value,y_index)
}
"""
self.feature_funcs = set()
# 构建特征函数
def build_feature_funcs(self, X, y):
n_sample, _ = X.shape
for index in range(0, n_sample):
x = X[index, :].tolist()
for feature_index in range(0, len(x)):
self.feature_funcs.add(tuple([feature_index, x[feature_index], y[index]]))
# 获取特征函数总数
def get_feature_funcs_num(self):
return len(self.feature_funcs)
# 分别命中了那几个特征函数
def match_feature_funcs_indices(self, x, y):
match_indices = []
index = 0
for feature_index, feature_value, feature_y in self.feature_funcs:
if feature_y == y and x[feature_index] == feature_value:
match_indices.append(index)
index += 1
return match_indices
接下来对MaxEnt类进行实现，首先实现一个softmax函数的功能(ml_models.utils)
def softmax(x):
if x.ndim == 1:
return np.exp(x) / np.exp(x).sum()
else:
return np.exp(x) / np.exp(x).sum(axis=1, keepdims=True)
进行MaxEnt类的具体实现（ml_models.linear_model）
from ml_models import utils
class MaxEnt(object):
def __init__(self, feature_func, epochs=5, eta=0.01):
self.feature_func = feature_func
self.epochs = epochs
self.eta = eta
self.class_num = None
"""
记录联合概率分布:
{
(x_0,x_1,...,x_p,y_index):p
}
"""
self.Pxy = {}
"""
记录边缘概率分布:
{
(x_0,x_1,...,x_p):p
}
"""
self.Px = {}
"""
w[i]-->feature_func[i]
"""
self.w = None
def init_params(self, X, y):
"""
初始化相应的数据
:return:
"""
n_sample, n_feature = X.shape
self.class_num = np.max(y) + 1
# 初始化联合概率分布、边缘概率分布、特征函数
for index in range(0, n_sample):
range_indices = X[index, :].tolist()
if self.Px.get(tuple(range_indices)) is None:
self.Px[tuple(range_indices)] = 1
else:
self.Px[tuple(range_indices)] += 1
if self.Pxy.get(tuple(range_indices + [y[index]])) is None:
self.Pxy[tuple(range_indices + [y[index]])] = 1
else:
self.Pxy[tuple(range_indices + [y[index]])] = 1
for key, value in self.Pxy.items():
self.Pxy[key] = 1.0 * self.Pxy[key] / n_sample
for key, value in self.Px.items():
self.Px[key] = 1.0 * self.Px[key] / n_sample
# 初始化参数权重
self.w = np.zeros(self.feature_func.get_feature_funcs_num())
def _sum_exp_w_on_all_y(self, x):
"""
sum_y exp(self._sum_w_on_feature_funcs(x))
:param x:
:return:
"""
sum_w = 0
for y in range(0, self.class_num):
tmp_w = self._sum_exp_w_on_y(x, y)
sum_w += np.exp(tmp_w)
return sum_w
def _sum_exp_w_on_y(self, x, y):
tmp_w = 0
match_feature_func_indices = self.feature_func.match_feature_funcs_indices(x, y)
for match_feature_func_index in match_feature_func_indices:
tmp_w += self.w[match_feature_func_index]
return tmp_w
def fit(self, X, y):
self.eta = max(1.0 / np.sqrt(X.shape[0]), self.eta)
self.init_params(X, y)
x_y = np.c_[X, y]
for epoch in range(self.epochs):
count = 0
np.random.shuffle(x_y)
for index in range(x_y.shape[0]):
count += 1
x_point = x_y[index, :-1]
y_point = x_y[index, -1:][0]
# 获取联合概率分布
p_xy = self.Pxy.get(tuple(x_point.tolist() + [y_point]))
# 获取边缘概率分布
p_x = self.Px.get(tuple(x_point))
# 更新w
dw = np.zeros(shape=self.w.shape)
match_feature_func_indices = self.feature_func.match_feature_funcs_indices(x_point, y_point)
if len(match_feature_func_indices) == 0:
continue
if p_xy is not None:
for match_feature_func_index in match_feature_func_indices:
dw[match_feature_func_index] = p_xy
if p_x is not None:
sum_w = self._sum_exp_w_on_all_y(x_point)
for match_feature_func_index in match_feature_func_indices:
dw[match_feature_func_index] -= p_x * np.exp(self._sum_exp_w_on_y(x_point, y_point)) / (
1e-7 + sum_w)
# 更新
self.w += self.eta * dw
# 打印训练进度
if count % (X.shape[0] // 4) == 0:
print("processing:\tepoch:" + str(epoch + 1) + "/" + str(self.epochs) + ",percent:" + str(
count) + "/" + str(X.shape[0]))
def predict_proba(self, x):
"""
预测为y的概率分布
:param x:
:return:
"""
y = []
for x_point in x:
y_tmp = []
for y_index in range(0, self.class_num):
match_feature_func_indices = self.feature_func.match_feature_funcs_indices(x_point, y_index)
tmp = 0
for match_feature_func_index in match_feature_func_indices:
tmp += self.w[match_feature_func_index]
y_tmp.append(tmp)
y.append(y_tmp)
return utils.softmax(np.asarray(y))
def predict(self, x):
return np.argmax(self.predict_proba(x), axis=1)
# 构建特征函数类
feature_func=SimpleFeatureFunction()
feature_func.build_feature_funcs(X_train,y_train)
maxEnt = MaxEnt(feature_func=feature_func)
maxEnt.fit(X_train, y_train)
y = maxEnt.predict(X_test)
print('f1:', f1_score(y_test, y, average='macro'))
processing: epoch:1/5,percent:30/120 processing: epoch:1/5,percent:60/120 processing: epoch:1/5,percent:90/120 processing: epoch:1/5,percent:120/120 processing: epoch:2/5,percent:30/120 processing: epoch:2/5,percent:60/120 processing: epoch:2/5,percent:90/120 processing: epoch:2/5,percent:120/120 processing: epoch:3/5,percent:30/120 processing: epoch:3/5,percent:60/120 processing: epoch:3/5,percent:90/120 processing: epoch:3/5,percent:120/120 processing: epoch:4/5,percent:30/120 processing: epoch:4/5,percent:60/120 processing: epoch:4/5,percent:90/120 processing: epoch:4/5,percent:120/120 processing: epoch:5/5,percent:30/120 processing: epoch:5/5,percent:60/120 processing: epoch:5/5,percent:90/120 processing: epoch:5/5,percent:120/120 f1: 0.9295631904327557
通过前面的分析，我们知道特征函数的复杂程度决定了模型的复杂度，下面我们添加更复杂的特征函数来增强MaxEnt的效果，上面的特征函数仅考虑了单个特征与目标的关系，我们进一步考虑二个特征与目标的关系，即：
\[f(x,y)=\left\{\begin{matrix} 1 & x_i=某值,x_j=某值,y=某类\\ 0 & 否则 \end{matrix}\right. \]
如此，我们可以定义一个新的UserDefineFeatureFunction类（注意:类中的方法名称要和SimpleFeatureFunction一样）
class UserDefineFeatureFunction(object):
def __init__(self):
"""
记录特征函数
{
(x_index1,x_value1,x_index2,x_value2,y_index)
}
"""
self.feature_funcs = set()
# 构建特征函数
def build_feature_funcs(self, X, y):
n_sample, _ = X.shape
for index in range(0, n_sample):
x = X[index, :].tolist()
for feature_index in range(0, len(x)):
self.feature_funcs.add(tuple([feature_index, x[feature_index], y[index]]))
for new_feature_index in range(0,len(x)):
if feature_index!=new_feature_index:
self.feature_funcs.add(tuple([feature_index, x[feature_index],new_feature_index,x[new_feature_index],y[index]]))
# 获取特征函数总数
def get_feature_funcs_num(self):
return len(self.feature_funcs)
# 分别命中了那几个特征函数
def match_feature_funcs_indices(self, x, y):
match_indices = []
index = 0
for item in self.feature_funcs:
if len(item)==5:
feature_index1, feature_value1,feature_index2,feature_value2, feature_y=item
if feature_y == y and x[feature_index1] == feature_value1 and x[feature_index2]==feature_value2:
match_indices.append(index)
else:
feature_index1, feature_value1, feature_y=item
if feature_y == y and x[feature_index1] == feature_value1:
match_indices.append(index)
index += 1
return match_indices
# 检验
feature_func=UserDefineFeatureFunction()
feature_func.build_feature_funcs(X_train,y_train)
maxEnt = MaxEnt(feature_func=feature_func)
maxEnt.fit(X_train, y_train)
y = maxEnt.predict(X_test)
print('f1:', f1_score(y_test, y, average='macro'))
processing: epoch:1/5,percent:30/120 processing: epoch:1/5,percent:60/120 processing: epoch:1/5,percent:90/120 processing: epoch:1/5,percent:120/120 processing: epoch:2/5,percent:30/120 processing: epoch:2/5,percent:60/120 processing: epoch:2/5,percent:90/120 processing: epoch:2/5,percent:120/120 processing: epoch:3/5,percent:30/120 processing: epoch:3/5,percent:60/120 processing: epoch:3/5,percent:90/120 processing: epoch:3/5,percent:120/120 processing: epoch:4/5,percent:30/120 processing: epoch:4/5,percent:60/120 processing: epoch:4/5,percent:90/120 processing: epoch:4/5,percent:120/120 processing: epoch:5/5,percent:30/120 processing: epoch:5/5,percent:60/120 processing: epoch:5/5,percent:90/120 processing: epoch:5/5,percent:120/120 f1: 0.957351290684624
我们可以根据自己对数据的认识，不断为模型添加一些新特征函数去增强模型的效果，只需要修改build_feature_funcs和match_feature_funcs_indices这两个函数即可（但注意控制函数的数量规模）
简单总结一下MaxEnt的优缺点，优点很明显：我们可以diy任意复杂的特征函数进去，缺点也很明显：训练很耗时，而且特征函数的设计好坏需要先验知识，对于某些任务很难直观获取
原文地址：https://www.cnblogs.com/zhulei227/p/12913673.html
