task3
误差
-
Error主要有两个来源,分别是 bias 和 variance
-
首先 Error = Bias + VarianceError反映的是整个模型的准确度,Bias反映的是模型在样本上的输出与真实值之间的误差,即模型本身的精准度,Variance反映的是模型每一次输出结果与模型输出期望之间的误差,即模型的稳定性。
-
举一个例子,一次打靶实验,目标是为了打到10环,但是实际上只打到了7环,那么这里面的Error就是3。具体分析打到7环的原因,可能有两方面:一是瞄准出了问题,比如实际上射击瞄准的是9环而不是10环;二是枪本身的稳定性有问题,虽然瞄准的是9环,但是只打到了7环。那么在上面一次射击实验,Bias就是1,反应的是模型期望与真实目标的差距,而在这次试验中,由于Variance所带来的误差就是2,即虽然瞄准的是9环,但由于本身模型缺乏稳定性,造成了实际结果与模型期望之间的差距。
-
在一个实际系统中,Bias与Variance往往是不能兼得的。如果要降低模型的Bias,就一定程度上会提高模型的Variance,反之亦然。造成这种现象的根本原因是,我们总是希望试图用有限训练样本去估计无限的真实数据。当我们更加相信这些数据的真实性,而忽视对模型的先验知识,就会尽量保证模型在训练样本上的准确度,这样可以减少模型的Bias。但是,这样学习到的模型,很可能会失去一定的泛化能力,从而造成过拟合,降低模型在真实数据上的表现,增加模型的不确定性。相反,如果更加相信我们对于模型的先验知识,在学习模型的过程中对模型增加更多的限制,就可以降低模型的variance,提高模型的稳定性,但也会使模型的Bias增大。Bias与Variance两者之间的trade-off是机器学习的基本主题之一,机会可以在各种机器模型中发现它的影子。
-
hign bias low variance场景,意味着无论什么数据灌进来,拟合的模型差不多,这个模型简陋,参数少,这就是欠拟合。
-
high variance low bias场景,意味着拟合模型围绕correct target均匀分布,但不够集中 ,灌进来的数据一旦有风吹草动,拟合模型就剧烈变化,这说明模型过于复杂,不具有普适性,就是过拟合。
估测变量x的偏差和方差
-
无偏估计(unbiased):E[m]=E[N1∑xn]=N1n∑E[xn]=μ
-
然后 mmm 分布对于 μ\muμ 的离散程度(方差):
Var[m]=σ2NVar[m]=\frac{\sigma^2}{N}Var[m]=Nσ2
分析
- 如果模型没有很好的训练训练集,就是偏差过大,也就是欠拟合
- 如果模型很好的训练训练集,即再训练集上得到很小的错误,但在测试集上得到大的错误,这意味着模型可能是方差比较大,就是过拟合
偏差大—欠拟合
此时应该重新设计模型。因为之前的函数集里面可能根本没有包含f∗f^*f∗。可以:
将更多的函数加进去
方差大—过拟合
-
更多的数据
-
可以针对对问题的理解对数据集做调整
梯度下降
- 调整学习速率
- 随机梯度下降法
对数据集做调整
梯度下降
- 调整学习速率
- 随机梯度下降法
- 特征缩放