干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

吴恩达DeepLearning.ai课程系列笔记
干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-2)神经网络和深度学习 --- 神经网络基础
干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-3)神经网络和深度学习 --- 浅层神经网络

1

训练、验证、测试集

对于一个需要解决的问题的样本数据,在建立模型的过程中,我们会将问题的data划分为以下几个部分:

  • 训练集(train set):用训练集对算法或模型进行训练过程;
  • 验证集(development set):利用验证集或者又称为简单交叉验证集(hold-out cross validation set)进行交叉验证,选择出最好的模型;
  • 测试集(test set):最后利用测试集对模型进行测试,获取模型运行的无偏估计。

小数据时代:


在小数据量的时代,如:100、1000、10000的数据量大小,可以将data做以下划分:

  • 无验证集的情况:70% / 30%;
  • 有验证集的情况:60% / 20% / 20%;
    通常在小数据量时代,以上比例的划分是非常合理的。

大数据时代:


但是在如今的大数据时代,对于一个问题,我们拥有的data的数量可能是百万级别的,所以验证集和测试集所占的比重会趋向于变得更小。

验证集的目的是为了验证不同的算法哪种更加有效,所以验证集只要足够大能够验证大约2-10种算法哪种更好就足够了,不需要使用20%的数据作为验证集。如百万数据中抽取1万的数据作为验证集就可以了。

测试集的主要目的是评估模型的效果,如在单个分类器中,往往在百万级别的数据中,我们选择其中1000条数据足以评估单个模型的效果。

  • 100万数据量:98% / 1% / 1%;
  • 超百万数据量:99.5% / 0.25% / 0.25%(或者99.5% / 0.4% / 0.1%)

Notation:


  • 建议验证集要和训练集来自于同一个分布,可以使得机器学习算法变得更快;
  • 如果不需要用无偏估计来评估模型的性能,则可以不需要测试集。
    干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

2

偏差、方差

对于下图中两个类别分类边界的分割:

从图中我们可以看出,在欠拟合(underfitting)的情况下,出现高偏差(high bias)的情况;在过拟合(overfitting)的情况下,出现高方差(high variance)的情况。

在 bias-variance tradeoff 的角度来讲,我们利用训练集对模型进行训练就是为了使得模型在train集上使 bias最小化,避免出现 underfitting 的情况;

但是如果模型设置的太复杂,虽然在train集上 bias 的值非常小,模型甚至可以将所有的数据点正确分类,但是当将训练好的模型应用在dev 集上的时候,却出现了较高的错误率。这是因为模型设置的太复杂则没有排除一些train集数据中的噪声,使得模型出现overfitting的情况,在dev 集上出现高variance的现象。

所以对于bias和variance的权衡问题,对于模型来说是一个十分重要的问题。

例子:


干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

几种不同的情况:

以上为在人眼判别误差在0%的情况下,该最优误差通常也称为“贝叶斯误差”,如果“贝叶斯误差”大约为15%,那么图中第二种情况就是一种比较好的情况。

High bias and high variance的情况


上图中第三种bias和variance的情况出现的可能如下:
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深
没有找到边界线,但却在部分数据点上出现了过拟合,则会导致这种高偏差和高方差的情况。

虽然在这里二维的情况下可能看起来较为奇怪,出现的可能性比较低;但是在高维的情况下,出现这种情况就成为可能。

3

机器学习的基本方法

在训练机器学习模型的过程中,解决High bias 和High variance 的过程:
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

    1. 是否存在High bias ?
  • 增加网络结构,如增加隐藏层数目;
  • 训练更长时间;
  • 寻找合适的网络架构,使用更大的NN结构;

    1. 是否存在High variance?
  • 获取更多的数据;
  • 正则化( regularization);
  • 寻找合适的网络结构;

在大数据时代,深度学习对监督式学习大有裨益,使得我们不用像以前一样太过关注如何平衡偏差和方差的权衡问题,通过以上方法可以使得再不增加另一方的情况下减少一方的值。

4

正则化(regularization)

利用正则化来解决High variance 的问题,正则化是在 Cost function 中加入一项正则化项,惩罚模型的复杂度。

Logistic regression


干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

Neural network


加入正则化项的代价函数:
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

Weight decay


在加入正则化项后,梯度变为:
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

5

为什么正则化可以减小过拟合

假设下图的神经网络结构属于过拟合状态:
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深
对于神经网络的 Cost function:
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深
加入正则化项,直观上理解,正则化因子 设置的足够大的情况下,为了使代价函数最小化,权重矩阵 就会被设置为接近于0的值。则相当于消除了很多神经元的影响,那么图中的大的神经网络就会变成一个较小的网络。

当然上面这种解释是一种直观上的理解,但是实际上隐藏层的神经元依然存在,但是他们的影响变小了,便不会导致过拟合。

数学解释:


干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

csdn博客:http://blog.csdn.net/koala_tree/article/details/78087711
专栏:https://zhuanlan.zhihu.com/p/29738823

推荐阅读:

精选干货|近半年干货目录汇总
干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-2)神经网络和深度学习 --- 神经网络基础
干货|吴恩达 DeepLearning.ai 课程提炼笔记(1-3)神经网络和深度学习 --- 浅层神经网络

           欢迎关注公众号学习交流~          

干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深
欢迎加入交流群交流学习
干货|吴恩达 DeepLearning.ai 课程提炼笔记(2-1-1)改善深层神经网络 --- 深

上一篇:关于机器学习中的方差和偏差,bias和variance


下一篇:SAPHANA学习(22):SQL Function(V)