机器学习心得（三）

---

前言

成功的机器学习应用不是拥有最好的算法，而是拥有最多的数据！

---

一、过拟合的处理

1. 获得更多的训练数据
使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。
2. 降维
即丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征，或者使用一
些模型选择的算法来帮忙
3. 正则化
正则化(regularization)的技术，保留所有的特征，但是减少参数的大小（magnitude）
，它可以改善或者减少过拟合问题。
4. 集成学习方法
集成学习是把多个模型集成在一起，来降低单一模型的过拟合风险。

二、欠拟合的处理

1. 添加新特征
当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。通
过挖掘组合特征等新的特征，往往能够取得更好的效果。
2. 增加模型复杂度
简单模型的学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能
力。例如，在线性模型中添加高次项，在神经网络模型中增加网络层数或神经元
个数等。
3. 减小正则化系数
正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要有针对性地减
小正则化系数。

三、正则化

1. 𝑳𝟏正则化：实际就是加上了一个$w$集合中每个值的绝对值的和。

2. 𝑳𝟐正则化：实际就是加上了$w$集合中每个值平方的和

3. Elastic Net网络：把𝑳𝟏正则化和 𝑳𝟐正则化融合起来

4. 𝑳𝟏正则化和𝑳𝟐正则化对比

图上面中的蓝色轮廓线是没有正则化损失函数的等高线，中心的蓝色点为最优解，左图、右图分别为𝑳𝟏、𝑳𝟐正则化给出的限制。可以看到在正则化的限制之下, 𝑳𝟐正则化给出的最优解w是使解更加靠近原点,也就是说𝑳𝟐正则化能降低参数范数的总和。 𝑳𝟏正则化给出的最优解w是使解更加靠近某些轴,而其它的轴则为0,所以𝑳𝟏正则化能使得到的参数稀疏化。

四、误差

备注：$y^{(i)}$和${\hat{y}}^{(i)}$分别表示第𝑖个样本的真实值和预测值，𝑚 为样本个数。

1. 均方误差（Mean Square Error,MSE）
2. 平均绝对误差（Mean Absolute Error,MAE）
3. 均方根误差 (Root Mean SquareError,RMSE)
4. R方 [𝑅𝑆𝑞𝑢𝑎𝑟𝑒𝑑(𝑟2𝑠𝑐𝑜𝑟𝑒)]
备注：越接近于1,说明模型拟合得越好；补充三个公式

---

总结

本人也才刚刚开始学习，请大家多多包涵。大家在学习机器学习之前可以先学习下线性代数