Average Error 随着模型复杂增加呈指数上升趋势。更复杂的模型并不能给测试集带来更好的效果,而这些 Error的主要有两个来源,分别是 bias 和 variance 。
假设真实的模型为 f ^ \hat f f^
收集数据,通过训练得到我们的理想模型 f ∗ f^* f∗, f ∗ f^* f∗是 f ^ \hat f f^ 的预估。
这个过程就像打靶, f ^ \hat f f^就是我们的靶心, f ∗ f^* f∗就是我们投掷的结果。如上图所示, f ^ \hat f f^ 与 f ∗ f^* f∗之间蓝色部分的差距就是偏差和方差导致的。
计算很多组 m m m,然后求 m m m的期望:
E [ m ] = E [ 1 N ∑ n x n ] = 1 N ∑ n E ( x n ) = μ E[m]=E[\frac{1}{N}\sum_n x^n]=\frac{1}{N}\sum_n E(x^n)=\mu E[m]=E[N1n∑xn]=N1n∑E(xn)=μ
这个估计是无偏估计。
然后 m m m分布对于 μ \mu μ的离散程度(方差),
V a r [ m ] = σ 2 N Var[m]=\frac{\sigma^2 }{N} Var[m]=Nσ2
N越小,越离散。
比较简单的模型,方差是比较小的(就像射击的时候每次的时候,每次射击的设置都集中在一个比较小的区域内)。如果用了复杂的模型,方差就很大,散布比较开。
这也是因为简单的模型受到不同训练集的影响是比较小的。
简单的模型函数集的space比较小,所以可能space里面就没有包含靶心,肯定射不中。而复杂的模型函数集的space比较大,可能就包含的靶心,只是没有办法找到确切的靶心在哪。
简单模型(左边)是偏差比较大造成的误差,这种情况叫做欠拟合,而复杂模型(右边)是方差过大造成的误差,这种情况叫做过拟合。
如果模型没有很好的训练训练集,就是偏差过大,也就是欠拟合 如果模型很好的训练训练集,即再训练集上得到很小的错误,但在测试集上得到大的错误,这意味着模型可能是方差比较大,就是过拟合。 对于欠拟合和过拟合,是用不同的方式来处理的。
此时应该重新设计模型。因为之前的函数集里面可能根本没有包含 f ∗ f^* f∗。
可以将更多的函数加进去,比如考虑高度重量,或者HP值等等。 或者考虑更多次幂、更复杂的模型。 如果此时强行再收集更多的data去训练,这是没有什么帮助的,因为设计的函数集本身就不好,再找更多的训练集也不会更好。
简单粗暴的方法:更多的数据
但是很多时候不一定能做到收集更多的data。可以针对对问题的理解对数据集做调整。比如识别手写数字的时候,偏转角度的数据集不够,那就将正常的数据集左转15度,右转15度,类似这样的处理。
现在在偏差和方差之间就需要一个权衡,想选择的模型,可以平衡偏差和方差产生的错误,使得总错误最小,但是下面这件事最好不要做:
用训练集训练不同的模型,然后在测试集上比较错误,模型3的错误比较小,就认为模型3好。但实际上这只是你手上的测试集,真正完整的测试集并没有。比如在已有的测试集上错误是0.5,但有条件收集到更多的测试集后通常得到的错误都是大于0.5的。
图中public的测试集是已有的,private是没有的,不知道的。交叉验证 就是将训练集再分为两部分,一部分作为训练集,一部分作为验证集。用训练集训练模型,然后再验证集上比较,确实出最好的模型之后(比如模型3),再用全部的训练集训练模型3,然后再用public的测试集进行测试,此时一般得到的错误都是大一些的。不过此时会比较想再回去调一下参数,调整模型,让在public的测试集上更好,但不太推荐这样。
比如在三份中训练结果Average错误是模型1最好,再用全部训练集训练模型1。
在回归问题中,需要解决下面的最优化问题:
θ ∗ = a r g m i n θ L ( θ ) \theta^*=argmin_\theta L(\theta ) θ∗=argminθL(θ)
L L L:损失函数;
θ \theta θ:参数
θ \theta θ指代一组参数,假设有两个参数 θ 1 , θ 2 \theta^1,\theta^2 θ1,θ2,随机选取初始值
θ 0 = [ θ 1 0 θ 2 0 ] \theta ^0=\begin{bmatrix}\theta_1^0 \\\theta_2^0 \end{bmatrix} θ0=[θ10θ20]
η \eta η 是Learning rates(学习速率)。
上图左边黑色为损失函数的曲线,假设从左边最高点开始,如果学习率调整的刚刚好,比如红色的线,就能顺利找到最低点。如果学习率调整的太小,比如蓝色的线,就会走的太慢,虽然这种情况给足够多的时间也可以找到最低点,实际情况可能会等不及出结果。如果 学习率调整的有点大,比如绿色的线,就会在上面震荡,走不下去,永远无法到达最低点。还有可能非常大,比如黄色的线,直接就飞出去了,更新参数的时候只会发现损失函数越更新越大。
虽然这样的可视化可以很直观观察,但可视化也只是能在参数是一维或者二维的时候进行,更高维的情况已经无法可视化了。
解决方法就是上图右边的方案,将参数改变对损失函数的影响进行可视化。比如学习率太小(蓝色的线),损失函数下降的非常慢;学习率太大(绿色的线),损失函数下降很快,但马上就卡住不下降了;学习率特别大(黄色的线),损失函数就飞出去了;红色的就是差不多刚好,可以得到一个好的结果。
学习率不能是一个值通用所有特征,不同的参数需要不同的学习率
每个参数的学习率都把它除上之前微分的均方根 σ t \sigma^t σt
希望在尽可能不增加过多运算的情况下模拟二次微分。(如果计算二次微分,在实际情况中可能会增加很多的时间消耗)
随机梯度下降法更快,损失函数不需要处理训练集所有的数据,此时不需要像之前那样对所有的数据进行处理,只需要计算某一个例子的损失函数 L n Ln Ln,就可以赶紧update 梯度。
对比:
常规梯度下降法走一步要处理到所有二十个例子,但随机算法此时已经走了二十步(每处理一个例子就更新)。
比如有个函数:
y = b + w 1 x 1 + w 2 x 2 y=b + w_1x_1 + w_2x_2 y=b+w1x1+w2x2
两个输入的分布的范围很不一样,建议把他们的范围缩放,使得不同输入的范围是一样的。
对于左边的情况,不用Adagrad的话是比较难处理的,两个方向上需要不同的学习率,同一组学习率会搞不定它。而右边情形更新参数就会变得比较容易。左边的梯度下降并不是向着最低点方向走的,而是顺着等高线切线法线方向走的。但绿色就可以向着圆心(最低点)走,这样做参数更新也是比较有效率。
当用梯度下降解决问题:
θ ∗ = a r g m i n θ L ( θ ) \theta^*=argmin_\theta L(\theta ) θ∗=argminθL(θ)
每次更新参数 θ \theta θ,都可以使损失函数最下吗?
结论是不是的。
理论上每次更新参数都想要损失函数减小的话,需要学习率足够小才可以。所以实际中,当更新参数的时候,如果学习率没有设好,损失函数没有越来越小。
容易陷入局部极值,还有可能卡在不是极值,但微分值是0的地方 还有可能实际中只是当微分值小于某一个数值就停下来了,但这里只是比较平缓,并不是极值点。