参考链接:https://github.com/datawhalechina/leeml-notes
文章目录
第一部分 误差
一、误差的来源
从上图可知, 均值误差(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,而这些误差的主要有两个来源,分别是偏差(bias) 和 方差(variance)。
二、偏差和方差
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。
2.1 偏差
一次模型的偏差比较大,而复杂的多次模型,偏差就比较小。
直观的解释:简单的模型函数集的空间比较小,所以可能空间里面就没有包含靶心,肯定射不中。而复杂的模型函数集的空间比较大,可能就包含的靶心,只是没有办法找到确切的靶心在哪,但足够多的,就可能得到真正的靶心。
2.2 方差
一次模型的方差比较小,比较集中,离散程度较小。而多次模型的方差就比较大,散布比较广,离散程度较大。
所以用比较简单的模型,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。
三、方差偏差的判断
3.1偏差大-欠拟合
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目标。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数据去训练,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。
3.2方差大-过拟合
简单粗暴的方法:增加更多的数据。
但是很多时候不一定能做到收集更多的数据。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。
四、模型选择
4.1交叉验证
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。
4.2 N-折交叉验证
将训练集分成N份,比如分成3份。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。
第二部分 梯度下降
一、回顾: 梯度下降法
在回归问题的第三步中,需要解决下面的最优化问题:
θ ∗ = arg min θ L ( θ ) (1) \theta^∗= \underset{ \theta }{\operatorname{arg\ min}} L(\theta) \tag1 θ∗=θarg minL(θ)(1)
- L L L :lossfunction(损失函数)
- θ \theta θ :parameters(参数)
这里的parameters是复数,即
θ
\theta
θ 指代一堆参数。为了让损失函数越小越好,可以用梯度下降法来找一组参数
θ
\theta
θ解决:
假设
θ
\theta
θ 有里面有两个参数
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
]
(2)
\theta^0 = \begin{bmatrix} \theta_1^0 \\ \theta_2^0 \end{bmatrix} \tag2
θ0=[θ10θ20](2)
如下图所示:
然后分别计算初始点处,两个参数对
L
L
L 的偏微分,然后
θ
0
\theta^0
θ0 减掉
η
\eta
η 乘上偏微分的值,得到一组新的参数。同理反复进行这样的计算。黄色部分为简洁的写法,
▽
L
(
θ
)
\triangledown L(\theta)
▽L(θ) 即为梯度。
η \eta η 叫做Learning rates(学习速率)
上图举例将梯度下降法的计算过程进行可视化。
二、调整学习速率
2.1小心翼翼调整学习率
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。其他的线都有出入。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。
解决方案参照右图,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。
2.2自适应学习率
举一个简单的思想:随着次数的增加,通过一些因子来减少学习率
- 通常刚开始,初始点会距离最低点比较远,所以使用大一点的学习率
- update好几次参数之后呢,比较靠近最低点了,此时减少学习率
- 比如 η t = η t t + 1 \eta^t =\frac{\eta^t}{\sqrt{t+1}} ηt=t+1ηt, t t t 是次数。随着次数的增加, η t \eta^t ηt 减小
对于学习率:不同的参数需要不同的学习率。
2.3 Adagrad 算法
2.3.1 Adagrad 是什么?
Adagrad是解决不同参数使用不同的更新速率的问题。Adagrad自适应地为各个参数分配不同学习率的算法。
其公式如下:
w
t
+
1
←
w
t
−
η
t
σ
t
g
t
(1)
w^{t+1} \leftarrow w^t -\frac{η^t}{\sigma^t}g^t \tag1
wt+1←wt−σtηtgt(1)
g
t
=
∂
L
(
θ
t
)
∂
w
(2)
g^t =\frac{\partial L(\theta^t)}{\partial w} \tag2
gt=∂w∂L(θt)(2)
- σ t \sigma^t σt :之前参数的所有微分的均方根,对于每个参数都是不一样的。
2.3.2 Adagrad举例
下图是一个参数的更新过程
将 Adagrad 的式子进行化简:
2.3.3 Adagrad 存在的矛盾?
在 Adagrad 中,当梯度越大的时候,步伐应该越大,但下面分母又导致当梯度越大的时候,步伐会越小。
下图是一个直观的解释:
下面给一个正式的解释:
比如初始点在 x 0 x_0 x0,最低点为 − b 2 a −\frac{b}{2a} −2ab,最佳的步伐就是 x 0 x0 x0 到最低点之间的距离 ∣ x 0 + b 2 a ∣ \left | x_0+\frac{b}{2a} \right | ∣∣x0+2ab∣∣,也可以写成 ∣ 2 a x 0 + b 2 a ∣ \left | \frac{2ax_0+b}{2a} \right | ∣∣2a2ax0+b∣∣。而刚好 ∣ 2 a x 0 + b ∣ |2ax_0+b| ∣2ax0+b∣ 就是方程绝对值在 x 0 x_0 x0 这一点的微分。
这样可以认为如果算出来的微分越大,则距离最低点越远。而且最好的步伐和微分的大小成正比。所以如果踏出去的步伐和微分成正比,它可能是比较好的。
结论1-1:梯度越大,跟最低点的距离就越远(这个结论在多个参数的时候不一定成立)。
2.3.4 多参数下结论不一定成立
对比不同的参数
上图左边是两个参数的损失函数,颜色代表损失函数的值。如果只考虑参数
w
1
w_1
w1,就像图中蓝色的线,得到右边上图结果;如果只考虑参数
w
2
w_2
w2,就像图中绿色的线,得到右边下图的结果。确实对于
a
a
a 和
b
b
b,结论1-1是成立的,同理
c
c
c 和
b
b
b 也成立。但是如果对比
a
a
a 和
c
c
c,就不成立,
c
c
c 比
a
a
a 大,但
c
c
c 距离最低点是比较近的。
所以结论1-1是在没有考虑跨参数对比的情况下,才能成立。
2.3.5 Adagrad 进一步的解释
再回到之前的 Adagrad
对于
∑
i
=
0
t
(
g
i
)
2
\sqrt{\sum_{i=0}^t(g^i)^2}
∑i=0t(gi)2 ,是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)。
三、随机梯度下降法
随机梯度下降法比梯度下降更快。损失函数不需要处理训练集所有的数据,只需要计算某一个例子的损失函数Ln,就可以赶紧更新梯度。
对比如下:
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)。
四、特征缩放
比如有个函数:
y
=
b
+
w
1
x
1
+
w
2
x
2
(3)
y=b+w_1x_1+w_2x_2 \tag{3}
y=b+w1x1+w2x2(3)
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。
五、总结
通过本节的学习,我掌握了以下知识点:
- 1.偏差与方差的区别
- 2.如何调整偏差和方差
- 3.通过交叉验证检验模型的好与坏
- 4.梯度下降与随机梯度下降的实现
- 5.Adagrad 算法的基本思路
- 6.特征缩放的实现