李宏毅机器学习之Where does the error from？

最新推荐文章于 2021-09-02 11:05:08 发布

哈哈哈捧场王

最新推荐文章于 2021-09-02 11:05:08 发布

阅读量96

点赞数

分类专栏：机器学习&深度学习

本文链接：https://blog.csdn.net/qq_38689352/article/details/114776396

版权

46 篇文章 11 订阅

订阅专栏

一、Error的来源

从之前的测试集数据来看， Average Error随着模型复杂度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Error的主要有两个来源，分别是bias和variance
- bias：用所有可能的训练数据集训练出的所有模型的输出的平均值与真实模型的输出值之间的差异。
- vaiance：不同的训练数据集训练出的模型之间的差异。

建设真实的模型为 $\hat{f}$ ，如果我们知道 $\hat{f}$ 模型，那是最好的，但是我们不知道，所以我们只能通过收集数据，然后通过之前的step1-step3来训练得到我们的理想模型 $f^*$ ， $f^*$ 其实是 $\hat{f}$ 的一个估测，这个过程就像打靶， $\hat{f}$ 就是我们的靶心， $f^*$ 是我们的投掷结果。如图， $f^*$ 与 $\hat{f}$ 之间的蓝色部分的差距就是bias和variance导致的

假设x的平均值是 $\mu$ ，方差为 $\sigma ^2$
评估平均值
- 首先拿到N个样本点： $\left \{ x^1,x^2,...,x^N \right \}$
- 计算平均值m，得到 $m = \frac{1}{N}\Sigma _nx^n\neq \mu$
- 如果计算很多组的m，然后求m的期望： $E[m]=E[\frac{1}{N}\Sigma x^n] = \frac{1}{N}\Sigma E[x^n]=\mu$ ，这个估计就是无偏估计(unbiased)。

一次模型的方差就比较小的，也就是比较集中，离散程度小。而5次模型的方差就比较大，同理散布比较广，离散程度较大。所以用比较简单的模型，方差是比较小的（就像是射击的时候，每次射击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，分散就比较开。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。

一次模型的偏差较大，而复杂的5次模型，偏差较小。简单的模型函数集的space比较小，所以可能space里面就没有包含靶心，肯定射不中，而复杂的模型函数集的space比较大，可能就包含靶心，只是没有办法找到确切的靶心在哪，但是足够多了，就能找到真正的f

如果模型没有很好的训练训练集，就是偏差过大，也就是欠拟合如果模型很好的训练训练集，即再训练集上得到很小的错误，但在测试集上得到大的错误，这意味着模型可能是方差比较大，就是过拟合。对于欠拟合和过拟合，是用不同的方式来处理的。

这个时候就要重新设计模型，因为之前的函数里面可能根本没有包含 $f^*$ 。可以：将更多的特征加进去，比如考虑高度重量等，或者考虑更多次幂，使用更加复杂的模型。

最简单的方法就是，增加更多的数据，但是很多时候不一定能做到收集更多的data。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。

在bias和variance之间需要一个平衡，平衡bias和variance产生的错误，使得总错误最小。但是我们不能盲目的选择不同的训练集训练不同的模型，然后在测试集上比较错误，模型的错误小，就认为该模型效果好。

如图public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，确认最好的模型之后，在用全部的训练集训练模型，然后在再用public的测试集进行测试，此时一般得到的错误大些。但是不我们不建议再回去调整参数，让在模型在public的测试集上的效果更好。

关注