第一周 机器学习（ML）策略（1）：1.12 改善模型表现

转载http://www.shareblogs.top/2089/

目录

第一章、简介

第二章、改善模型表现

2.1、减小可避免偏差和方差的概述

2.2、减小可避免偏差的方法

2.3、减小方差的方法

2.4、小结

---

第一章、简介

 

• 本文基于吴恩达人工智能课程做学习笔记、并融入自己的见解(若打不开请复制到浏览器中打开)https://study.163.com/courses-search?keyword=吴恩达。
• 本文第二章将 介绍改善模型表现。

 

第二章、改善模型表现

 

2.1、减小可避免偏差和方差的概述

 

• 我们学过正交化，学过如何设立开发集和测试集，学过用人类水平错误率来估计贝叶斯错误率，学过如何估计可避免偏差和方差等等内容。
• 我们现在把这些内容全部组合起来写成一套指导方针——如何提高学习算法性能的指导方针。
• 所以我想要让一个监督学习算法达到实用，假设你可以完成两件事情，首先 你的算法对训练集的拟合很好，这可以看成是你能做到可避免偏差很低。
• 还有第二件事你可以做好的是在训练集中做得很好，然后推广到开发集和测试集也很好，这就是说方差不是太大。
• 在正交化原理帮助下，可以修正可避免偏差问题，比如训练更大的网络 或者训练更久。
• 还有一套独立的技巧可以用来处理方差问题，比如正则化或者收集更多训练数据。

 

2.2、减小可避免偏差的方法

 

• 总结一下前几段视频我们见到的步骤，如果你想提升机器学习系统的性能，我建议你们看看训练错误率和贝叶斯错误率估计值之间的距离。让你知道可避免偏差有多大。换句话说，就是你觉得还能做多好，你对训练集的优化还有多少空间。
• 然后看看你的开发错误率和训练错误率之间的距离，就知道你的方差问题有多大。换句话说，你应该做多少努力，让你的算法表现能够从训练集推广到开发集，算法是没有在开发集上训练的。
• 如果你想用尽一切办法减少可避免偏差，我建议试试这样的策略——比如使用规模更大的模型，这样算法在训练集上的表现会更好。
• 或者训练更久，或者使用更好的优化算法，比如说，加入 momentum 或者 RMSprop，或者使用更好的算法 比如 Adam，你还可以试试，寻找更好的新神经网络架构，或者说更好的超参数。
• 这些手段包罗万像，你可以改变激活函数，改变层数或者隐藏单位数，虽然你这么做可能会让模型规模变大，或者试用其他模型、其他架构，如循环神经网络和卷积神经网络，在之后的课程里我们会详细介绍的，新的神经网络架构能否更好地拟合你的训练集，有时也很难预先判断，但有时换架构可能会得到好得多的结果。

 

2.3、减小方差的方法

 

• 另外当你发现方差是个问题时，你可以试用很多技巧包括以下这些，你可以收集更多数据——因为收集更多数据去训练，可以帮你更好地推广到系统看不到的开发集数据。
• 你可以尝试正则化，包括 L2 正则化、Dropout 正则化，或者我们在之前课程中提到的数据增强。
• 同时你也可以试用不同的神经网络架构，超参数搜索，看看能不能帮助你，找到一个更适合你的问题的神经网络架构。
• 我想这些偏差、可避免偏差和方差的概念，是容易上手、难以精通的，如果你能系统全面地应用本周课程里的概念，你实际上会比很多现有的机器学习团队，更有效率、更系统‘’更有策略地系统提高机器学习系统的性能。
• 所以本周的作业中，你们可以练习一下，更深入地理解这些概念，祝你们好运，我希望下周的视频中再见到你们。

 

2.4、小结

       我把减小可避免偏差和方差的方法，做了一个汇总。这个汇总，也就以后我们优化目标函数的偏差/方差的总指导思想：