参数和超参数
算法中的learning rate a(学习率)、iterations(梯度下降法循环的数量)、L(隐藏层数目)、n(隐藏层单元数目)、choice of activation function(激活函数的选择)都需要你来设置,这些数字实际上控制了最后的参数W和b的值,所以它们被称作超参数。
实际上深度学习有很多不同的超参数,之后我们也会介绍一些其他的超参数,如momentum、mini batch size、regularization parameters等等
超参数需要人为设定的,参数是模型训练的,所以超参数的设定对神经网络的训练是很重要的。
训练,验证,测试集(Train / Dev / Test sets)
划分原则
在机器学习发展的小数据量时代,常见做法是将所有数据三七分,就是人们常说的70%验证集,30%测试集,如果没有明确设置验证集,也可以按照60%训练,20%验证和20%测试集来划分。这是前几年机器学习领域普遍认可的最好的实践方法。
如果只有100条,1000条或者1万条数据,那么上述比例划分是非常合理的。
数据集规模较大的,验证集和测试集要小于数据总量的20%或10%。
要确保验证集和测试集的数据来自同一分布。
偏差和方差
(主要看图,一目