训练误差和泛化误差
- 训练误差:模型在训练数据上的误差
- 泛化误差:模型在新数据上的误差
- 例子:根据模考成绩来预测未来考试分数
- 在过去的考试中表现很好(训练误差)不代表未来考试一定会好(泛化误差)
- 学生A通过背书在模考中拿到很好成绩,相当于学生A只会死记硬背当前给出的数据
- 学生B知道答案后面的原因,学生B知道答案的原因,从而能够灵活运用知识,相当于能预测后续的结果
- 我们关心的是泛化误差
验证数据集和测试数据集
- 验证数据集:一个用来评估模型好坏的数据集
- 例如拿出50%的训练数据,剩下50%来评估模型好坏,测模型精度、误差
- 不要跟训练数据混在一起
- 通过训练数据训练参数,然后用验证数据集判断训练好的模型精度和误差怎么样,再调整
- 训练数据相当于做习题,验证数据相当于月考,通过做习题得到知识,再通过月考来验证现在知识的掌握情况,通过月考的结果来调整对知识理解的偏差,得到对知识更好的了解
- 测试数据集:只用一次的数据集,不能用来调参,相当于高考,来测试现在这些参数的效果如何
K-则交叉验证
- 没有足够多数据时使用(常态)
- 算法:
- 将训练数据分为K块
- For i=1,…, K
- 使用第i块作为验证数据集,其余的作为训练数据集
- 报告K个验证集误差的平均
- 常用:K=5或10
过拟合和欠拟合
简单 | 复杂 | |
---|---|---|
低 | 正常 | 欠拟合 |
高 | 过拟合 | 正常 |
如果简单数据选择了高模型容量,出现过拟合,比如在一个很简单的数据集上用一个特别深的神经网络,神经网络会把每一个样本记住,缺失泛化性。过拟合会导致模型过于注意细节,同时把很多噪点记住。
复杂数据采用低模型容量,会欠拟合,精度不够
模型容量
- 拟合各种函数的能力
- 低容量的模型难以拟合训练数据
- 高容量的模型可以记住所有的训练数据
模型先足够大,再通过各种手段让泛化误差往下降
估计模型容量
- 难以在不同种类算法之间比较
- 给定一个模型种类,将有两个主要因素
- 参数个数
- 参数值的选择范围
VC维
- 对于一个分类模型,VC等于最大的数据集大小,不管如何给定标号,都存在一个模型对它完美分类
- 举例
- 2维输入的感知机,VC维=3
- 就是单层感知机,能分类任意3个点,不是4个,因为4个能表示异或的情况
- 2维输入的感知机,VC维=3
数据复杂度
- 多个重要因素
- 样本个数
- 每个样本的元素个数
- 时间、空间结构
- 多样性