本文主要是介绍人工智能:模型复杂度、模型误差、欠拟合、过拟合/泛化能力、过拟合的检测、过拟合解决方案【更多训练数据、Regularization/正则、Shallow、Dropout、Early Stopping】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
人工智能:模型复杂度、模型误差、欠拟合、过拟合/泛化能力、过拟合的检测、过拟合解决方案【更多训练数据、Regularization/正则、Shallow、Dropout、Early Stopping】
- 一、模型误差与模型复杂度的关系
- 1、梯度下降法
- 2、泛化误差
- 2.1 方差
- 2.2 偏差
- 2.3 噪声
- 2.4 泛化误差的拆分
- 3、偏差-方差窘境(bias-variance dilemma)
- 4、Bias-Variance Tradeoff 理论意义
- 5、K折交叉验证与Bias-Variance关系
- 二、欠拟合&过拟合
- 1、定义
- 2、原因以及解决办法
- 2.1 欠拟合、过拟合的判断
- 2.2 欠拟合原因以及解决办法
- 2.3 “回归算法”过拟合原因以及解决办法
- 二、过拟合的检测
- 三、过拟合解决方案
- 1、提供更多的训练数据
- 2、降低模型复杂度
- 2.1 Shallow network
- 2.2 Regularization/正则化/Weight Decay
- 2.2.1 L1-norm(sklearn.linear_model.LassoCV)
- 2.2.2 L2-norm(sklearn.linear_model.RidgeCV)
- 2.2.3 Elastic Net(sklearn.linear_model.ElasticNetCV)
- 3、Data Argumentation/数据增强
- 4、Dropout
- 4.1 在训练集Training模型
- 4.2 在测试集Testing模型
- 4.3 “Dropout” v.s. “Bagging”
- 4.4 取平均的作用
- 4.5 减少神经元之间复杂的共适应关系
- 4.6 Dropout类比于性别生物进化中的角色
- 5、Early Stopping
- 5.1 目的
- 5.2 原理
- 5.3 为什么能减小过拟合
- 5.4 Early Stopping的缺点
一、模型误差与模型复杂度的关系
1、梯度下降法
模型的评估与调优的目的就是让模型的损失函数尽可能地减小。所有损失函数只要可导,都可以使用梯度下降法来找到损失函数极小值处对应的参数。
2、泛化误差
泛化误差:以回归任务为例, 学习算法的平方预测误差期望为:
这篇关于人工智能:模型复杂度、模型误差、欠拟合、过拟合/泛化能力、过拟合的检测、过拟合解决方案【更多训练数据、Regularization/正则、Shallow、Dropout、Early Stopping】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!