文章目录
第一周
训练集 验证集 测试集
公认的比较好的比例是3:1:1,在数据量不是特别大的时候
当数据特别大的时候根据情况考虑
注意数据的分布性问题
训练集(train set) —— 用于模型拟合的数据样本。
验证集(development set)—— 是模型训练过程中单独留出的样本集,它可以用于调整模型的超参数和用于对模型的能力进行初步评估。
测试集 —— 用来评估模最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。
偏差和方差
偏差大:过度拟合 训练集误差小 验证集误差大
方差大:欠拟合 训练集和验证集误差都大
实际上有可能出现偏差大 方差也大的情况
根据方差和偏差调节网络
当偏差过高时可以尝试增加网络的大小,
当方差偏大时可以增加数据。
正则化
就是让w尽量小,L1正则化和L2正则化,L2正则化更常用
在神经网络中添加正则化项
等价于在损失函数后面添加正则化项
对损失函数求导的时候,正则化被单独求导
正则化项被加到dw中,计算表达式等价于一个衰减项,
会让w越来越小
正则化当中的lamda大小非常重要,控制着网络的大小
lamda太大时会导致w过小,w过小会导致激活函数几乎为线性函数,这会导致整个神经网络等价于一个线性函数
dropout 正则化
随机让一些网络结构失活,直接让节点的输出等于0
dropout方法相对于L2范数正则化可以避免参数的比例缩小问题
在测试阶段要避免使用dropout函数
为什么dropout可以工作
避免w权重全部落在某一个输入之上