机器学习模型 知乎_机器学习-模型选择与评价

交叉验证

首先选择模型最简单的方法就是，利用每一种机器学习算法(逻辑回归、SVM、线性回归等)计算训练集的损失值，然后选择其中损失值最小的模型，但是这样是不合理的，因为当训练集不够、特征过多时容易过拟合，那么训练集的损失值就会不断变小，但是此时针对测试集可能损失值很高，所以训练集上的损失值是无法衡量模型的好坏的。

我们的办法就是增加交叉验证集，即将所有数据分为三部分：训练集、交叉验证集和测试集。交叉验证集不仅在选择模型时有用，在超参数选择、正则项参数

和评价模型中也很有用。

简单交叉验证利用训练集训练模型

利用交叉验证集在每一种模型上测试并计算损失值

选择损失值最小的模型

但是简单交叉验证存在一个问题，就是因为增加了验证集后，导致训练集的数据更少了，这样模型可能无法更好地的体现整体数据，所以提出以下交叉验证的方法。

k-折叠交叉验证假设训练集为

，将训练集等分为

份：

然后每次从集合中拿出

份进行训练

利用集合中剩下的那一份来进行测试并计算损失值

最后得到

次测试得到的损失值，并选择平均损失值最小的模型

Bias与Variance，欠拟合与过拟合

如下图，针对同一组数据的三种模型，可以看出来中间的模型可以更好的表现数据，其中左边的模型一般称为欠拟合，右边的模型称为过拟合。

欠拟合一般表示模型对数据的表现能力不足，通常是模型的复杂度不够，并且Bias高，训练集的损失值高，测试集的损失值也高。

过拟合一般表示模型对数据的表现能力过好，通常是模型的复杂度过高，并且Variance高，训练集的损失值低，测试集的损失值高。

具体如下图所示：

针对Bias于Variance，有多种解释方法。

第一种：

一般用下面两张图表示：

Bias描述的是模型与数据表现的真实情况的差别，Variance描述的是我们的假设与最好的假设之间的差别。

第二种：Bias是表明模型在整体数据上表现，不在乎其中某一个样本的正确与否

对于Variance，一个样本的变动会给整个模型带来很大的影响，是模型抗样本干扰能力有多强

如下图所示：

高Bias的模型，单个样本对模型影响不大。

高Variance的模型，一个样本的变化可以改变整个模型。

第三种：

解决方法

针对机器学习模型，在效果不佳时可以有如下解决办法：增加训练样本----解决高Variance情况

减少特征维数----解决高Variance情况

增加特征维数----解决高Bias情况

增加模型复杂度----解决高Bias情况

减小模型复杂度----解决高Variance情况

针对过拟合的情况，我们可以采取上述中的1、2、5的方法，除此之外，我们还可以在损失函数中增加正则项(L0、L1、L2范数)来解决过拟合的问题。

一般监督学习可以看做最小化下面目标函数：

其中

函数为损失函数，

就是规则化函数，也可以叫做正则项。我们增加正则项的主要原因是为了让

更稀疏，使模型不容易过拟合(后面会详细解释)。

函数具体可以有很多种选择，常见的有L0范数、L1范数、L2范数等。其中：L0范数是向量中非零元素的个数

L1范数是向量中各个元素绝对值之和，

L2范数是向量的模，

其中L0范数由于不好实现，所以一般不采用。

针对L1范数，它能实现特征的自动选择，一般来说，

的大部分元素(也就是特征)都是和最终的输出

没有关系或者不提供任何信息的，在最小化目标函数的时候考虑

这些额外的特征，虽然可以获得更小的训练误差，但在预测新的样本时，会干扰了对正确

的预测。稀疏规则化算子就是为了完成特征自动选择，它会自己学习去掉这些没有信息的特征，也就是把这些特征对应的权重置为0。

针对L2范数，与L1范数的区别是不会将权重置为0，而会是一个很小的数，这样可以通过

来控制模型拟合程度，如下图所示

针对正则项，我们还可以有如下理解(来自知乎问题机器学习中常常提到的正则化到底是什么意思？ @陶轻松的回答 )：将函数

泰勒展开，

当n很大的时候，特征就越多，模型就越复杂，越容易过拟合。

因为

是我们学习到的，所以我们要做的就是改变

的大小减少特征维数，降低模型复杂度，也是让一部分

趋近于0。

所以在目标函数中加入正则项，利用L0、L1、L2范数来改变

。

参考