machine learning 之 Neural Network 3
整理自Andrew Ng的machine learning课程week6.
目录:
- Advice for applying machine learning (Decide what to do next)
- Debugging a learning algorithm
- machine learning diagnostic
- Evaluating a hypothesis
- Model selection and Train / validation / test set
- Bias and Variance
- Diagnosing bias and variance
- Regularization and bias / variance
- learning curve
- High bias
- High variance
- summary of decide what to do next
- diagnosing neural network
- Model complexity effects
- Build a spam classifier
- Prioritzing what to work on
- Error analysis
- Error matric for skewed classes
- precision / recall
- trade off precision and recall
- Data for machine learning
1、Advice for applying machine learning (Decide what to do next)
1.1、debugging a learning algorithm
假设你用regularized linear regression去解决预测房价的问题,但是,当你用模型去预测新的房价数据时,发现预测的误差很大,那么接下来你会怎么办呢?
- 获取更多的训练数据?
- 尝试使用更小的特征集合?
- 尝试使用更多的特征?
- 尝试增大$\lambda$?
- 尝试减小$\lambda$?
对于以上的一些做法,你会怎么做呢?依靠直觉吗?
现实中常常有人仅仅依靠直觉去选取某一种做法,比如说获取更多的训练数据,但是当他们耗费了大量的时间去完成这件事之后,却发现模型性能并没有什么提升,依靠直觉显然是一种不划算的做法
1.2、machine learning diagnostic
A test that you can run to gain insight what is/isn't working with a learning algorithm, and gain guidance as to how best to improve its performance.
machine learning diagnostic是一个test,它可以让我们知道一个特定的算法是否是有用的,并且可以指导我们,怎么做才可以最大的提升模型的性能。
Diagnostic可能会耗费你的时间,但是相比于在实战中耗费大量的时间却发现结果不好而言,这点时间是值得的。
1.3、Evaluating a hypothesis
如何去评估一个模型的好坏?就像之前一直说过的,训练模型做得好,并不一定说明这个模型就是好的,这个模型很有可能是过拟合的(如下图),那么对新的数据集而言,这个模型可能做的并不好。
所以用训练数据集上的误差评估模型的好坏是不可以的。
通常的做法是,将数据集分为训练数据(70%)和测试数据(30%),然后:
- 用训练数据去训练模型,得到模型参数
- 用上面的模型去预测测试数据集上的数据,计算测试集上的误差error
用测试集上的error去评估模型的好坏
对于linear regression:error是($\frac{平方和}{m_{test}}$)
对于logistic regression:
1.4、Model selection and Train / validation / test set
如果现在有多个模型alg1,alg2,alg3......,如下所示,10个不同阶的模型(代表着不同的模型复杂度),我们需要选择最好的一个模型,那么如何去选择呢(依照怎样的标准去选择)?
如果仿照1.3的做法,先用训练数据训练出来模型,再用测试数据去计算误差,选择在测试数据集上误差最小的模型作为我们最终选定的模型;
思考一下,如果这么做的话,其实是和仅用训练数据误差评估模型好坏是一个道理,此时选择出的只是在我们所用的测试集上误差最小的模型,但是用其他的测试集的话,可能并不是当前的模型误差最小,那么这个误差并不能真正反映模型的好坏;
通常的做法是,将数据集分成train set / 训练集(60%),cross validation set / 验证集(20%),test set / 测试集(20%),然后:
- 用训练集去训练多个模型,获取每个模型的参数
- 用训练好的这些模型去预测验证集,计算验证集上的误差,选择出其中误差最小的模型
- 计算测试集在误差最小的模型上的误差,作为此模型的评估标准
各个集合的误差计算如下:
2、Bias and Variance
在之前的文章中就接触过bias和variance的概念,这里回顾一下:
训练集和验证集和误差计算如下:
2.1、Diagnosing bias and variance
随着d(多项式的阶数)的增大,training error和cross validation error的变化如下:
当模型比较简单的时候,训练的程度低,有欠拟合的现象(high bias),此时训练误差和测试误差(或者验证误差)都比较大,当d越来越大,训练的程度越来越高,训练误差和测试误差都在减小,到达一个点之后,模型过于复杂,训练误差在继续减小,但是此时已经出现了过拟合现象(high variance),测试误差越来越大,即:
- Bias(underfit):训练误差和测试误差都高,两者差不多
- Variance(overfit):训练误差小,测试误差很大,远大于训练误差
2.2、Regulization and bias / variance
$\lambda$是惩罚因子,如下图所示:
- 当$\lambda$十分大时,模型相当于只有是常数估计,图像近似为一条横线,欠拟合(high bias)
- 当$\lambda$十分小时,惩罚项的作用不大,模型出现过拟合(high variance)
- 我们需要选取一个恰当的$\lambda$,使得模型刚刚好
那么问题来了,如何选择一个恰当的$\lambda$呢?我们可以尝试:
- 设定一系列的$\lambda$=[0, 0.01, 0.02, 0.04, 0.08, ......., 10.24],比如说这12个$\lambda$;
- 构造一组不同的模型(with different degrees or other variants)
- 对于每个模型遍历每个$\lambda$,用训练数据去训练这些组合确定的模型,得到最终的模型参数;
- 计算验证集上的误差;
- 选取模型中使得验证集误差最小的模型;
- 计算选出的模型在测试集上的误差,评估得到的模型的好坏;
利用一系列的$\lambda$我们可以看到随着$\lambda$的增大,training error和cv(cross validation) error的变化:
- 当$\lambda$非常小时,train error很小,test error很大,此时训练程度高,模型过拟合;
- 随着$\lambda$的增大,train error越来越大,test error在减小,模型过拟合现象在缓和;
- 当$\lambda$增大到某个点之后,train error和test error都开始变大,因为此时模型是欠拟合的;
3、learning curves
这一部分主要是来评估训练数据集的大小和模型误差之间的关系,对于训练误差而言:
- 当training set非常小(1,2,3个训练数据),train error就会接近0,因为如果点少的话,当然可以找到一个曲线几乎完美的拟合这几个点;
- 当training set变大,train error也会相应的变大;
- 当training set的数据量达到一个值后,train error会趋于不变;
3.1、High bias
红线处是理应达到的误差下限,训练误差和测试误差都远高于理想的误差
对此可以用下图来解释,此时出现的问题是模型太过于简单,这个时候获取更多的训练数据对模型是没什么帮助的
3.2、High variance
测试误差远大于训练误差,此时出现了过拟合现象;
可用下图来解释这个现象,模型太过于复杂,惩罚也不大到位,所以模型出现了过拟合现象,此时如果可以增大训练数据的数目,对模型应该是有帮助的;
4、summary of decide what to do next
针对文章一开始提出的问题,经过一系列的梳理,有了答案:
- 获取更多的训练数据? 解决high variance问题(overfitting)
- 尝试使用更小的特征集合? 解决high variance问题(overfitting)
- 尝试使用更多的特征? 解决high bias问题(underfitting)
- 尝试增大$\lambda$? 解决high variance问题(overfitting)
- 尝试减小$\lambda$? 解决high bias问题(underfitting)
5、Diagnosing neural network
- 具有较少的参数的neural network容易underfitting,同时也computationally cheaper;
- 具有较多的参数的neural network容易overfitting,同时也computationally expensive(此时可用regulization去处理过拟合问题);
- 默认是一层的hidden layer,但是也可以用cv set去选择最合适的hidden layer数目;
6、Model complexity effects
- 低阶多项式(简单模型)有high bias和low variance,训练集和测试集的误差都大;
- 高阶多项式(复杂模型)有high variance和low bias,训练集误差小,测试集误差大;
- 我们最终想要得到的是一个中和的模型,拟合数据能力不错,泛化能力也不错;
7、Build a spam classifier
7.1、proritizing what to work on
系统设计:对于给定的邮件数据,可以给每个邮件设计一个vector,向量中每个元素代表了一个word,word在邮件中就设为1,不在就设为0,搜索邮件中最常出现的words。
如下图所示:
那么,如何去提升分类器的精度呢?
- 收集更多的数据?
- 加入更加经验性的特征?(header data in spam)
- 处理输入数据?(reprocessing miss-spelling)
7.2、Error analysis
推荐的解决机器学习问题的方法是:
- start with a simple algorithm,implement it quickly, and test it on cv data
- 画出learning curve去决定一些策略是否是有用的,比如more data,more features
- 手动检测cv的误差,找出最常出错的那些点,分析它
比如说,5000封邮件,有100封被错分了,此时思考:
- 这100封邮件属于邮件里面的什么类别(如大多是steal password、miss-spelling)
- 用什么办法可以把这个类型的邮件分对(比如加入新的特征),然后把新的策略加入到模型中去;
得到了新的策略之后,就将其加入到模型中看一看结果是否更好,此时需要一个评判标准,一个简单粗暴的评判标准;
在评估模型的时候我们要得到一个real error number,如果新的策略加入之后,这个error减小了,那就值得继续做下去,否则就不需要再做下去了;
8、Error metrics for skewed classes
对于癌症判别的问题,训练出来的分类器在测试集上达到了1%的error rate,乍一看觉得结果很好啊;
但是,实际上测试集中只有0.5%的病人患有癌症,也就是说,即时我们的分类器只是简单的将所有人都认为不患癌症,也可以达到0.5%的error rate,那我们能说这个分类器比之前的那个1% error rate的分类器好吗?显然不能啊,因为这根本就不是一个分类器啊!
这种类别分布的情况就称为skewed classes,此时用error rate来评估模型是不是进步了就不准确了
8.1、precision / recall
对于skewed classes,常用的误差分析方法是precision / recall
$precision=\frac{True positive}{number of predicted positive}=\frac{True positive}{Ture positive + False positive}$
代表了在所有的预测为患癌症的病人中,实际患癌症的比例
$recall=\frac{True positive}{number of actural positive}=\frac{True positive}{Ture positive + False negative}$
代表在实际患有癌症的病人中,被预测出来的比例
8.2、trade off precision and recall
precision和recall是一个需要与实际情况相结合的量;
比如在癌症问题上,使用logistic regression,
如果为了安抚病人的心理,只有在非常确定(概率大)病人得了癌症时才会判定为得了癌症(y=1),那么就会把分类中的阈值设置的很大,比如0.7,0.9,此时,我们有higher precision,lower recall
如果为了病人的健康,那么只有有一些可能性,就判定为癌症,以便于他可以去治疗,那么就会把分类中的阈值设置的很大,比如0.3,此时,我们有higher recall,lower precision
precision和recall的图像类似如下,曲线不确定:
现在这里有两个值,我们如何去选择模型呢,如何指导一些策略对模型是否有改善的作用呢?
这里就有了$F_1 score=2\frac{PR}{P+R}$,F1 score是一个同时考虑到了precision和recall的值:
- 当P=0 or R=0,则F1 score=0
- 当P=1 and R=1,则F1 score=1
9、Data for machine learning
有人曾说过:it‘s not who has the best algorithm that wins, it's who has the most data.,这句话对吗?看两个例子:
- 有可以提供足够多的信息的features,$x \in R_n$,此时去预测y;
如:for breakfast I ate _____ eggs.(two,too,to)
- 在只有房屋面积信息时,预测房价;
思考:对于一个专家(针对指定问题)而言,她们可以解答吗?对于第1个问题,可以;对于第二个问题而言,显然是不可以的;
那么回到最初的问题,big data一定会赢吗?
不一定,如果信息不够的话,再多的数据也没有用
我的博客即将搬运同步至腾讯云+社区,邀请大家一同入驻:https://cloud.tencent.com/developer/support-plan?invite_code=2knxyesxia040
转载于:https://www.cnblogs.com/echo-coding/p/8989416.html
machine learning 之 Neural Network 3相关推荐
- Machine learning of neural representations of suicide and emotion concepts identifies suicidal youth
Machine learning of neural representations of suicide and emotion concepts identifies suicidal youth ...
- 【面向代码】学习 Deep Learning Convolution Neural Network(CNN)
转载自: [面向代码]学习 Deep Learning(三)Convolution Neural Network(CNN) - DarkScope从这里开始 - 博客频道 - CSDN.NET htt ...
- 读书笔记1|深度学习入门:Machine Learning Yearning
Machine Learning Yearning中文版 有一段时间有点摸不着头脑,因为是自学python,深度学习,分类太多,人脸识别,对象检测,对象追踪,图像处理,语义分割等.有点眼花缭乱,太多细 ...
- Paper翻译:《A Novel Convolutional Neural Network Based Model for Recognition and Classification of App》
论文名称:<A Novel Convolutional Neural Network Based Model for Recognition and Classification of Appl ...
- 机器学习(Machine Learning)深度学习(Deep Learning)资料(Chapter 2)
机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2) - tony的专栏 - 博客频道 - CSDN.NET 注:机器学习资料篇目一共 ...
- What are Kernels in Machine Learning and SVM?
一个关于kernel的很好的解析: https://www.quora.com/What-are-Kernels-in-Machine-Learning-and-SVM 将它摘录过来了. What a ...
- 台大李宏毅Machine Learning 2017Fall学习笔记 (11)Convolutional Neural Network
台大李宏毅Machine Learning 2017Fall学习笔记 (11)Convolutional Neural Network 本博客主要整理自: http://blog.csdn.net/x ...
- Machine Learning week 5 quiz: programming assignment-Multi-Neural Network Learning
一.ex4.m %% Machine Learning Online Class - Exercise 4 Neural Network Learning% Instructions % ------ ...
- Machine Learning week 4 quiz: programming assignment-Multi-class Classification and Neural Networks
一.ex3.m %% Machine Learning Online Class - Exercise 3 | Part 1: One-vs-all% Instructions % --------- ...
- 论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning
论文学习笔记 POSEIDON: Privacy-Preserving Federated Neural Network Learning NDSS 2021录用文章 目录 论文学习笔记 POSEID ...
最新文章
- 通常,Node.js如何处理10,000个并发请求?
- Git异常:Cannot delete the branch 'test1' which you are currently on
- WebSphere社区版,Geronimo1.1八卦和GBean架构
- 纯html网页重定向与跳转
- 让选择更具明确性:土方计算方法的选择——方格网or三角网
- 基于JAVA的教务排课系统.rar(源码+截图+数据库)
- HDB3码编码C语言实现
- Unity 本地化比较实用的实现方案
- 操作系统-为什么进程之间的通信必须借助操作系统内核功能?
- 跟着团子学SAP DMS—在SAP中通过DMS上传文档基本操作(CV01N/CV02N/CV03N/CV04N)
- 极客日报:苹果或推出粉色款iPhone 13;拼多多再超阿里
- Sql Server 生成 Word 文档 表结构
- Logstash 时区问题
- 架构师工程攻城略地需要具备的八大核心能力
- DontDestroyOnLoad带来的麻烦
- 护眼灯真能护眼睛吗?2022护眼台灯怎么样选择好
- linux 双线接入配置(电信联通双线)+三线接入配置
- 杰理之对箱 TWS 通话有回音,噗噗声,卡顿问题【篇】
- 【超详细Django网站开发过程9】便利店管理系统之——管理员登录、注销功能
- (找规律)23,41,18,64,? 问号处填什么?
热门文章
- 5 个底层程序设计逻辑,决定你有多牛逼
- 高并发大容量 NoSQL 解决方案探索
- NoSQL 已死:我们不需要他了
- 如何测网络稳定性_讲座|复杂网络上的非线性动力学:网络结构如何决定系统稳定性?...
- 最全Redis49个面试题目及答案:线程设计+哨兵+复制+事务+集群+持久化等
- Hadoop 集群的基准测试
- 部分手机浏览器存在将ajax请求当成广告过滤的情况,及解决方案
- 【Python】- yield 使用浅析
- poj 1743 Musical Theme【后缀自动机】
- css案例学习之父子块的margin