总结9（11.1-11.7）

本周主要是复习偏微分方程数值解的考试，完成了机器学习模型的选择，欠拟合和过拟合的学习。

      在机器学习过程中模型在训练集上更准确时，但在测试集上不一定准确。这是因为误差分为在训练集上的训练误差（training error）和测试集上的泛化误差（generalization error），所以机器学习模型应关注降低泛化误差。

一、模型选择

1.1相关概念

1.训练误差（training error）：模型在训练数据上的误差。

2.泛化误差（generalization error）：模型在新数据上的误差。

3.验证数据集：一个用来评估模型好坏的数据集。一般从训练集中选取一部分作为验证集其余的作为训练集。

4.测试数据集：只用一次的数据集。但在实际应用中由于数据获取不易，仍然会多次使用。

1.2K折交叉验证（K-fold cross-validation）

由于验证数据集不参与模型训练，所以当训练数据不够用时，预留大量的验证数据就不太合理，一种改善的方法就是K折交叉验证。我们把原始训练数据被分成K个不重叠的⼦集。然后执⾏K次模型训练和验证， 每次在K − 1个⼦集上进⾏训练，并在剩余的⼀个⼦集（在该轮中没有⽤于训练的⼦集）上进⾏验证。最后， 通过对K次实验的结果取平均来估计训练和验证误差。

  算法过程：将训练数据分割成K块，

          for i = 1,....K.

                 使用第i块作为验证数据集，其余的作为训练数据集。

           报告K个验证集误差的平均。

常用：K=5或10.

二、过拟合和欠拟合

2.1⽋拟合（underfitting）：模型无法得到较低的训练误差。

2.2过拟合（overfitting）：模型的训练误差远小于它在测试数据集上的误差。

 2.3模型复杂度：

以多项式函数拟合为例，给定由单个特征𝑥和对应实数标签𝑦组成的训练数据，我们试图找到下面的𝑑d阶多项式来估计标签𝑦。

这是一个线性回归问题，我们的特征是𝑥的幂给出的，模型的权重是𝑤𝑖给出的，偏置是𝑤0给出的。高阶多项式函数比低阶多项式函数复杂得多。高阶多项式的参数较多，模型函数的选择范围较广。因此在固定训练数据集的情况下，高阶多项式函数相对于低阶多项式的训练误差应该始终更低（最坏也是相等）。给定训练数据集，模型复杂度和误差之间的关系如下图所示，如果模型复杂度过低，容易出现欠拟合，但复杂度过高，又容易出现过拟合。

 2.4训练数据集的大小：

影响过拟合和欠拟合的一个重要因素就是训练数据集的大小，一般来说训练数据集中的样本越少，我们就越有可能（且更严重地）遇到过拟合。随着训练数据量的增加，泛化误差通常会减小。因此，在计算资源允许的范围内，通常希望训练数据集大一些，特别是在模型复杂度较高的时候。

三、多项式拟合代码

我们用以下的三阶多项式函数来生成训练和测试数据的标签。

3.1生成数据集

import math
import numpy as np
import torch
from torch import nn
from d2l import torch as d2l

max_degree = 20  # 多项式的最大阶数（预计生成的）
n_train, n_test = 100, 100  # 训练和测试数据集大小
true_w = np.zeros(max_degree)  # 分配大量的空间
true_w[0:4] = np.array([5, 1.2, -3.4, 5.6])

features = np.random.normal(size=(n_train + n_test, 1))
np.random.shuffle(features)
poly_features = np.power(features, np.arange(max_degree).reshape(1, -1))
for i in range(max_degree):
    poly_features[:, i] /= math.gamma(i + 1)  # `gamma(n)` = (n-1)!
# `labels`的维度
labels = np.dot(poly_features, true_w)
labels += np.random.normal(scale=0.1, size=labels.shape)
#NumPy ndarray转换为tensor
true_w, features, poly_features, labels = [torch.tensor(x, dtype=
    d2l.float32) for x in [true_w, features, poly_features, labels]]

3.2定义、训练、测试模型

#定义损失函数
def evaluate_loss(net, data_iter, loss): 
    metric = d2l.Accumulator(2)  # 损失的总和, 样本数量
    for X, y in data_iter:
        out = net(X)
        y = y.reshape(out.shape)
        l = loss(out, y)
        metric.add(l.sum(), l.numel())
    return metric[0] / metric[1]
##定义训练函数
def train(train_features, test_features, train_labels, test_labels,
          num_epochs=400):
    loss = nn.MSELoss()
    input_shape = train_features.shape[-1]
    net = nn.Sequential(nn.Linear(input_shape, 1, bias=False))
    batch_size = min(10, train_labels.shape[0])
    train_iter = d2l.load_array((train_features, train_labels.reshape(-1,1)),
                                batch_size)
    test_iter = d2l.load_array((test_features, test_labels.reshape(-1,1)),
                               batch_size, is_train=False)
    trainer = torch.optim.SGD(net.parameters(), lr=0.01)
    animator = d2l.Animator(xlabel='epoch', ylabel='loss', yscale='log',
                            xlim=[1, num_epochs], ylim=[1e-3, 1e2],
                            legend=['train', 'test'])
    for epoch in range(num_epochs):
        d2l.train_epoch_ch3(net, train_iter, loss, trainer)
        if epoch == 0 or (epoch + 1) % 20 == 0:
            animator.add(epoch + 1, (evaluate_loss(net, train_iter, loss),
                                     evaluate_loss(net, test_iter, loss)))
    print('weight:', net[0].weight.data.numpy())

3.3使用三阶多项式拟合：

# 从多项式特征中选择前4个维度，即 1, x, x^2/2!, x^3/3!
train(poly_features[:n_train, :4], poly_features[n_train:, :4],
      labels[:n_train], labels[n_train:])

结果：

       因为它与数据生成函数的阶数相同，所以其效果良好，能有效的降低误差并且学习到的模型参数也接近真实值。

3.4欠拟合实验

# 从多项式特征中选择前2个维度，即 1, x
train(poly_features[:n_train, :2], poly_features[n_train:, :2],
      labels[:n_train], labels[n_train:])

 可以看出训练误差只在一开始下降后，之后基本没有下降了，在完成训练后误差仍然很大。

3.5过拟合实验

# 只选取两个样本实验
train(poly_features[:2, :4], poly_features[n_train:, :4],
      labels[:2], labels[n_train:], num_epochs=400)

 可以看到，在训练样本不足的情况下，即使使用和数据模型相同的三阶多项式模型，会出现过拟合现象，训练误差较低但测试误差很高。