学习打卡系列Day3——李宏毅机器学习（10月）

目录

1. 误差来源 

2. 模型选择

3. 梯度下降 

1. 学习率

2. 随机梯度下降 （Stochastic Gradient Descent）

3. 特征缩放

---

1. 误差来源 

• 偏差：高偏差表示模型欠拟合，需要调整模型结果，此时仅增大数据量，并不能提升模型精度
• 方差：高方差表示模型过拟合，最简单的操作是增大数据量，或者使用正则化操作，缓解过拟合现象

2. 模型选择

错误操作：将数据集简单的分为训练集和测试集两部分，训练集训练模型，测试集测试模型，将在测试集上表现最好的模型用于最终测试集，通常误差会变大。可能原因是如果模型过拟合，在内部测试集上表现非常好，但是真实测试集与内部测试集数据分布稍有不同，使得模型无法较好的分析真实测试集，导致误差偏大。

 正确操作：

• 交叉验证：按一定比例将数据集分为训练集、验证集和测试集，彼此相互独立，训练不同模型，选择在验证集上表现最佳的模型用于测试内部和外部测试集，通常误差会偏高，但是选择模型的策略相对客观。

 但是，有的人会说验证集的划分存在一定主观性，可能会对模型选择造成偏差。因此，可以采用N折交叉验证，查阅一些相关文献，在医学图像分析领域，使用较多的应该是5折或10折交叉验证。N折交叉验证，将数据集分为N组，依次将其中一组作为验证集，N-1组作为训练集，在验证集上评估模型的优劣，取N次验证集误差值的均值，选择最佳的模型。该方法实现全数据集评估模型的性能，更加客观，值得拥有！

3. 梯度下降 

1. 学习率

实际操作中，为了设置合适的学习率，需要绘制右图曲线：

• 黄色曲线：学习率太大
• 蓝色曲线：学习率太小
• 绿色曲线：学习率较大，使得梯度收敛过快，可能导致模型欠拟合
• 红色曲线：相对合适的学习率

自适应学习率：

不同的Epoch，具有不同的学习率，一开始采用较大的学习率，随着Epoch增加，减小学习率，使得Loss不断逼近最优值。

• Adagrad：每个参数的学习率除上之前微分的均方根

2. 随机梯度下降 （Stochastic Gradient Descent）

无需处理全部数据，只需要随机选择其中一个样本，更新权重即可，因此使得模型快速收敛。

3. 特征缩放

类似变量标化，在回归分析中，不同量纲的自变量纳入前需要先进行标准化。

 左图：特征缩放前；右图：特征缩放后（推荐）

为什么要缩放特征？

由图可知，红色箭头是梯度下降的方向，左图梯度下降沿着等高线法线方向进行权重迭代，并非直接朝着最低点走，绕了一些弯路，且不同变量需要不同的学习率；相比之下，右图梯度下降单刀直入，更加高效。

怎么缩放特征？实质是归一化。

学习体会：

梯度下降是深度学习算法最最最基础的部分，虽然也训练过AI模型，但是针对最理论、最基础的梯度下降的理论部分，还是有点摸不透，仍需要继续学习！