在上一章我们学习了如何构建验证集,如何训练和验证。本章作为本次赛题学习的最后一章,将会讲
解如何使用集成学习提高预测精度。
本章讲解的知识点包括:集成学习方法、深度学习中的集成学习和结果后处理思路。
一、学习目标
•
学习集成学习方法以及交叉验证情况下的模型集成
•
学会使用深度学习模型的集成学习
二、集成学习方法
在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有
Stacking
、
Bagging
和
Boosting
,同时这些集成学习方法与具体验证集划分联系紧密。
由于深度学习模型一般需要较长的训练周期,如果硬件设备不允许建议选取留出法,如果需要追求精
度可以使用交叉验证的方法。
下面假设构建了
10
折交叉验证,训练得到
10
个语义分割模型。
![](https://i-blog.csdnimg.cn/blog_migrate/baf21c24c43dda51735caf1eda2ce1cb.png)
那么在
10
个
CNN
模型可以使用如下方式进行集成:
•
对预测的结果的概率值进行平均,然后解码为具体字符;
•
对预测的字符进行投票,得到最终字符;
三、深度学习中的集成学习
此外在深度学习中本身还有一些集成学习思路的做法,值得借鉴学习:
1
、
Dropout
Dropout
可以作为训练深度神经网络的一种技巧。在每个训练批次中,通过随机让一部分的节点停止
工作。同时在预测的过程中让所有的节点都其作用。
![IMG](img/Droopout.png)
Dropout
经常出现在在先有的
CNN
网络中,可以有效的缓解模型过拟合的情况,也可以在预测时增
加模型的精度。
2
、
TTA
测试集数据扩增(
Test Time Augmentation
,简称
TTA
)也是常用的集成学习技巧,数据扩增不仅可
以在训练时候用,而且可以同样在预测时候进行数据扩增,对同一个样本预测三次,然后对三次结果进行
平均。
![](https://i-blog.csdnimg.cn/blog_migrate/187617a436010f1d990856cb78401375.png)
3
、
Snapshot
本章的开头已经提到,假设我们训练了
10
个
CNN
则可以将多个模型的预测结果进行平均。但是加
入只训练了一个
CNN
模型,如何做模型集成呢
?
43
在论文
Snapshot Ensembles
中,作者提出使用
cyclical learning rate
进行训练模型,并保存精度比较
好的一些
checkopint
,最后将多个
checkpoint
进行模型集成。
![](https://i-blog.csdnimg.cn/blog_migrate/9ccb20147c0d785b33bb2307ca54c5c7.png)
由于在
cyclical learning rate
中学习率的变化有周期性变大和减少的行为,因此
CNN
模型很有可能
在跳出局部最优进入另一个局部最优。在
Snapshot
论文中作者通过使用表明,此种方法可以在一定程度
上提高模型精度,但需要更长的训练时间。
四、本章小节
在本章中我们讲解了深度学习模型做集成学习的各种方法,并以此次赛题为例讲解了部分代码。以下
几点需要同学们注意
•
集成学习只能在一定程度上提高精度,并需要耗费较大的训练时间,因此建议先使用提高单个模型
的精度,再考虑集成学习过程;
•
具体的集成学习方法需要与验证集划分方法结合,
Dropout
和
TTA
在所有场景有可以起作用。