吴恩达机器学习 第二章 模型评估与选择
2.1经验误差与过拟合
经验误差
m样本数量,Y样本正确结果,预测结果Y’——>错误a个
error rate:E=a/m 误差:|Y-Y’| accuracy=1-E
训练集上的误差称为“训练误差”或“经验误差”,新样本上的误差称为“泛化误差”
过拟合
把训练样本自身的一些特点当作所有潜在样本都具有的性质,泛化能力下降
欠拟合容易克服,而过拟合较为麻烦且无法彻底避免
2.2评估方法
通常可利用实验测试对泛化误差进行评估并做出选择,因此构造测试集。
数据集D产生训练集S和测试集T的方法
1.留出法:直接划分为两个互斥的集合。
注意:
1.尽可能保持分布的一致性,如分类问题可采用“分层采样”
2.若干次随机划分、重复进行试验评估,返回平均值作为留出法的结果
3.S通常为(2/3-4/5)D
2.交叉验证法: 分层取样得到k个互斥子集Di,每次取k-1个子集的并集为S,余下的为T,返回k次测试结果的均值,“k折交叉验证“。
为减小因样本划分不同而引入的差别,k折交叉验证常要随机使用不同的划分重复p次,”p折k次交叉验证“。
令k=m样本数,模型与D相近,计算开销大,”留一法“。
3.自助法:自助采样(有放回随机采样)生成测试集D‘,适用于数据集较小的情况。
4.调参与最终模型
对每种参数配置都训练出模型,可行性较低
常用做法:对每个参数选定范围和变化步长
区分:训练集&#x