关键词:
Andrew Ng机器学习课程笔记(五)之 应用机器学习的建议
版权声明:本文为博主原创文章,转载请指明转载地址
http://www.cnblogs.com/fydeblog/p/7368472.html
前言
学习了Andrew Ng课程,开始写了一些笔记,现在写完第5章了,先把这5章的内容放在博客中,后面的内容会陆续更新!
这篇博客主要记录了Andrew Ng课程第五章应用机器学习的建议,主要介绍了在测试新数据出现较大误差该怎么处理,这期间讲到了数据集的分类,偏差,方差,学习曲线等概念,帮助我们去理解结果,然后做出相应的措施。
1. 决定下一步怎么做
当我们运用训练好了的模型来预测未知数据的时候发现有较大的误差,我们下一步可以
做什么?有以下几种选择
①获得更多的训练实例——通常是有效的,但代价较大,下面的方法也可能有效,可考虑先采用下面的几种方法。
②尝试减少特征的数量
③尝试获得更多的特征
④尝试增加多项式特征
⑤尝试减少正则化程度λ
⑥尝试增加正则化程度λ
我们不应该随机选择上面的某种方法来改进我们的算法,而是运用一些机器学习诊断法来帮助我们知道上面哪些方法对我们的算法是有效的。
诊断法的意思是:这是一种测试法,你通过执行这种测试,能够深入了解某种算法到底是否有用。这通常也能够告诉你,要想改进一种算法的效果,什么样的尝试,才是有意义的。
2. 评估一个假设
说诊断法之前,先要说说怎样评估假设函数,此基础上讨论如何避免过拟合和欠拟合的问题。
通常数据是将数据集分成训练集和测试集,通常用70%的数据作为训练集,用剩下30%的数据作为测试集。
很重要的一点是训练集和测试集均要含有各种类型的数据,通常我们要对数据进行洗牌,然后再分成训练集和测试集。
测试集评估在通过训练集让我们的模型学习得出其参数后,对测试集运用该模型,我们有两种方式计算误差
①对于线性回归模型,我们利用测试集数据计算代价函数J
②对于逻辑回归模型,我们除了可以利用测试数据集来计算代价函数外,还可以计算误分类比,对于每一个测试集实例,按以下计算公式计算,然后对计算结果求平均。
3. 模型选择和交叉验证集
假设我们要在10个不同次数的二项式模型之间进行选择:
这时候需要使用交叉验证集来帮助选择模型。
数据集划分:使用60%的数据作为训练集,使用 20%的数据作为交叉验证集,使用 20%的数据作为测试集(6:2:2)
具体步骤:
①使用训练集训练出10个模型
②用10个模型分别对交叉验证集计算得出交叉验证误差(代价函数的值)
③选取代价函数值最小的模型
④用步骤3中选出的模型对测试集计算得出推广误差(
代价函数的值)
4. 诊断偏差和方差
高偏差和高方差的问题基本上来说是欠拟合和过拟合的问题。以下图为例
我们通常会通过将训练集和交叉验证集的代价函数误差与多项式的次数绘制在同一张图表上来帮助分析:
对于训练集,当d较小时,模型拟合程度更低,误差较大;随着d的增长,拟合程度提高,误差减小。
对于交叉验证集,当d较小时,模型拟合程度低,误差较大;但是随着d的增长,误差呈现先减小后增大的趋势, 转折点是我们的模型开始过拟合训练数据集的时候。
我们如何判断是方差还是偏差呢?如下图所示
训练集误差和交叉验证集误差近似时: 偏差/欠拟合
交叉验证集误差远大于训练集误差时: 方差/过拟合
5. 正则化和偏差/方差
在我们在训练模型的过程中,一般会使用一些正则化方法来防止过拟合。但是我们可能会正则化的程度太高或太小了,即我们在选择λ的值时也需要思考与刚才选择多项式模型次数类似的问题。
我们选择一系列的想要测试的λ值,通常是 0-10 之间的呈现2倍关系的值(如:0,0.01,0.02,0.04,0.08,0.15,0.32,0.64,1.28,2.56,5.12,10 共12个)。我们同样把数据分为训练集、交叉验证集和测试集。
选择λ的方法为:
①使用训练集训练出12个不同程度正则化的模型
②用12模型分别对交叉验证集计算的出交叉验证误差
③选择得出交叉验证误差最小的模型
④运用步骤3中选出模型对测试集计算得出推广误差,我们也可以同时将训练集和交叉验证集模型的代价函数误差与λ的值绘制在一张图表上
当λ较小时,训练集误差较小(过拟合)而交叉验证集误差较大
随着λ的增加,训练集误差不断增加(欠拟合),而交叉验证集误差则是先减小后增加
6. 学习曲线
学习曲线是一种很好的工具,使用学习曲线来判断某一个学习算法是否处于偏差、方差问题。
学习曲线是将训练集误差和交叉验证集误差作为训练集实例数量(m)的函数绘制的图表。
高偏差,增加数据到训练集不一定能有帮助,学习曲线趋于某一个错误不变。
高方差时,增加更多数据到训练集可能可以提高算法效果。
7. 决定下一步做什么(续)
经过上面几小节的内容,我们可以回答第一小节的6个方法了
①获得更多的训练实例——解决高方差
②尝试减少特征的数量——解决高方差
③尝试获得更多的特征——解决高偏差
④尝试增加多项式特征——解决高偏差
⑤尝试减少正则化程度λ——解决高偏差
⑥尝试增加正则化程度λ——解决高方差
andrewng机器学习课程笔记之神经网络
AndrewNg机器学习课程笔记(四)之神经网络版权声明:本文为博主原创文章,转载请指明转载地址http://www.cnblogs.com/fydeblog/p/7365730.html前言学习了AndrewNg课程,开始写了一些笔记,现在写完第5章了,先把这5章的内容放在博客中,... 查看详情
机器学习:神经网络之表达
...*************************注:本系列博客是博主学习Stanford大学AndrewNg教授的《机器学习》课程笔记。博主深感学过课程后,不进行总结非常easy遗忘。依据课程加上自己对不明确问题的补充遂有此系列博客。本系列博客包含线性回归、... 查看详情
斯坦福大学andrewng-机器学习笔记--机器学习算法的选择与评估
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
斯坦福大学andrewng-机器学习笔记--异常检测
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
《机器学习》学习笔记:线性回归逻辑回归
...正。 在学习《机器学习》时,我主要是通过AndrewNg教授在mooc上提供的《MachineLearning》课程,不得不说AndrewNg老师在讲授这门课程时,真的很用心,特别是编程练习,这门 查看详情
斯坦福大学andrewng-机器学习笔记--神经网络模型
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
斯坦福大学andrewng-机器学习笔记--聚类&降维
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
斯坦福大学andrewng-机器学习笔记--支持向量机(svm)
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
斯坦福大学andrewng-机器学习笔记--推荐系统&大规模机器学习&图片文字识别
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
斯坦福大学andrewng-机器学习笔记--逻辑回归&正则化
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
斯坦福大学andrewng-机器学习笔记--单变量&多变量线性回归
大概用了一个月,AndrewNg老师的机器学习视频断断续续看完了,以下是个人学习笔记,入门级别,权当总结。笔记难免有遗漏和误解,欢迎讨论。 鸣谢:中国海洋大学黄海广博士提供课程视频和个人笔记,在此深表感谢... 查看详情
机器学习:逻辑回归
...*************************注:本系列博客是博主学习Stanford大学AndrewNg教授的《机器学习》课程笔记。博主深感学过课程后,不进行总结非常easy遗忘,依据课程加上自己对不明确问题的补充遂有此系列博客。本系列博客包含线性回归、... 查看详情
斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达andrewng)
文章目录0三个目标0先修课程要求基本工具1-网址2-邮箱3-本系列课程链接1机器学习的定义1-1非正式定义1-2正式的定义2监督学习(SupervisedLearning)2-1回归问题——连续拟合线(预测房子价格)2-2分类问题——离散数... 查看详情
andrewng机器学习课程笔记————通过初步的神经网络实现手写数字的识别(尽力去向量化实现)
上一篇我总结了自己在学完逻辑回归后,实现了对手写数字的初步识别,在学完了Andrew教授的神经网络简易教程后,趁着知识刚学完没多久,记下了自己在运用简易神经网络实现手写数字识别过程中的总结和问题^_^ 菜鸡QP的... 查看详情
机器学习:监督学习和无监督学习
...*************************注:本系列博客是博主学习Stanford大学AndrewNg教授的《机器学习》课程笔记。博主深感学过课程后,不进行总结非常easy遗忘。依据课程加上自己对不明确问题的补充遂有此系列博客。本系列博客包含线性回归、... 查看详情
斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达andrewng)
文章目录0三个目标0先修课程要求基本工具1-网址2-邮箱3-本系列课程链接1机器学习的定义1-1非正式定义1-2正式的定义2监督学习(SupervisedLearning)2-1回归问题——连续拟合线(预测房子价格)2-2分类问题——离散数... 查看详情
[机器学习]coursera笔记-机器学习应用的建议-part3
...]Coursera笔记系列是以我在Coursera上学习MachineLearning(AndrewNg老师主讲)课程时的笔记资料加以整理推出的。内容涵盖线 查看详情
andrewng机器学习入门——线性回归
...开始涉猎机器学习。作为入门,首先学习的是斯坦福大学AndrewNg(吴恩达)教授的Coursera课程2单变量线性回归线性回归属于监督学习(SuperviseLearning),就是Rightanswerisgiven。课程中,举了一个估计房产价格的例子,在此,我就直接使用... 查看详情