本文探讨了在机器学习中遇到较大误差时的优化方法，包括获取更多训练实例、特征选择、归一化程度调整等。通过评估假设函数、模型选择、交叉验证、偏差与方差诊断以及学习曲线分析，确定合适的优化方向。针对高偏差，可以增加特征或降低归一化程度；针对高方差，则需要更多训练实例或减少特征。
当我们运用训练好了的模型来预测未知数据的时候发现有较大的误差，我们下一步可以做什么？
1.获得更多的训练实例——通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法。
2.尝试减少特征的数量
3.尝试获得更多的特征
4.尝试增加多项式特征
5.尝试减少归一化程度λ
6.尝试增加归一化程度λ
我们不应该随机选择上面的某种方法来改进我们的算法，而是运用一些机器学习诊断法来帮助我们知道上面哪些方法对我们的算法是有效的。通常会从以下几个角度入手，差不一定是数据集越大效果越好。
一. 算法的性能评估：
a. 评估假设函数是否过按拟合？
最低0.47元/天 解锁文章
扫一扫
710
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
