本文主要是介绍Datawhale X 李宏毅苹果书 AI夏令营 Task3打卡，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！
实践方法论
1 模型偏差
1.1 基本概念
模型偏差（Model Bias），也称为“偏差误差”或“系统误差”，是指模型预测值与真实值之间的差异，这种差异并不是由随机误差引起的，而是由模型本身的结构或假设导致的。模型偏差通常反映了模型对数据的拟合程度不足。
高偏差模型的特征
- 在训练集和验证集上都有较高的误差。
- 模型的预测结果与真实数据相差较大。
- 模型对新数据的泛化能力差。
1.2 常见类型
欠拟合（Underfitting）：
- 欠拟合是指模型过于简单，无法捕捉到数据中的复杂关系和模式。
- 特征选择不足：模型没有使用足够的特征或正确的特征来描述数据。
- 模型复杂度不够：模型的结构过于简单，例如线性模型用于非线性问题。
- 训练不充分：模型没有足够的训练数据或训练次数不足。
若模型过于简单，可能无法找到可以降低损失的函数。需重新设计模型，给予模型更大的灵活性，（如增加输入数据的多样性/增加更多特征等等）
增加模型复杂度可以减少偏差，但可能会增加方差（过拟合）；减少模型复杂度可以减少方差，但可能会增加偏差（欠拟合）。
2 优化问题
2.1 使用梯度下降算法进行优化的缺陷
可能会卡在局部最小值，无法找到真正使损失很低的参数
3 判断造成训练数据损失不够低的原因
3.1 可能原因
可能是因为模型偏差，也可能是因为优化问题
3.2 判断方法
通过不同的模型来判断现有模型是否足够大
对于从来没做过的问题，可以先跑一些比较小、浅的网络/用一些非深度学习的方法，比如线性模型、支持向量机（Support Vector Machine，SVM），这类比较容易做优化的，比较不会有优化失败问题的模型来测试，看其会是怎样一个损失情况。
3.3 问题解决
如果训练损失大，可以先判断是模型偏差还是优化。如果是模型偏差，就把模型变大。假设经过努力可以让训练数据的损失变小，接下来可以来看测试数据损失；如果测试数据损失也小，比这个较强的基线模型还要小，说明一定程度解决问题了。
但如果训练数据上面的损失小，测试数据上的损失大，可能是过拟合。在测试上的结果不好，不一定是过拟合。要把训练数据损失记下来，先确定优化没有问题，模型够大了。接下来才看看是不是测试的问题，如果是训练损失小，测试损失大，这个有可能是过拟合。
4 过拟合
4.1 基本概念
过拟合是指模型在训练数据上表现得很好，但在新的、未见过的数据上表现不佳。
我们真正可以观察到的是训练集，训练集可以想像成从这条曲线上面，随机采样出来的几个点。模型的能力非常的强，其灵活性很大，只给它这 3 个点。在这 3 个点上面，要让损失低，模型的曲线会通过这 3 个点，但其它没有训练集作为限制的地方，因为它的灵活性很大，模型可以变成各式各样的函数，没有给它数据作为训练，可以产生各式各样的结果。
4.2 解决方法
4.2.1 增加数据集
虽然模型它的灵活性可能很大，但是因为点非常多，它就可以限制住，它看起来的形状还是会很像产生这些数据背后的 2 次曲线，如图 2.7 所示。可以做数据增强（data augmentation），这个方法并不算是使用了额外的数据。
数据增强是根据问题的理解创造出新的数据。
举个例子，在做图像识别的时候，常做的一个招式是，假设训练集里面有某一张图片，把它左右翻转，或者是把它其中一块截出来放大等等。对图片进行左右翻转，数据就变成两倍。但是数据增强不能够随便乱做。在图像识别里面，很少看到有人把图像上下颠倒当作增强。因为这些图片都是合理的图片，左右翻转图片，并不会影响到里面的内容。
但把图像上下颠倒，可能不是一个训练集或真实世界里面会出现的图像。如果给机器根据奇怪的图像学习，它可能就会学到奇怪的东西。
所以数据增强，要根据对数据的特性以及要处理的问题的理解，来选择合适的数据增强的方式。
4.2.2 增加模型限制
1.给模型比较少的参数。如果是深度学习的话，就给它比较少的神经元的数量，本来每层一千个神经元，改成一百个神经元之类的，或者让模型共用参数，可以让一些参数有一样的数值。
全连接网络（fully-connected network）：是一个比较有灵活性的架构
卷积神经网络（Convolutional Neural Network，CNN）：是一个比较有限制的架构
CNN 是一种比较没有灵活性的模型，其是针对图像的特性来限制模型的灵活性。
对于全连接神经网络，可以找出来的函数所形成的集合是比较大的，CNN 所找出来的函数，它形成的集合比较小，其实包含在全连接网络里面的，但是因为CNN 给了比较大的限制，所以 CNN 在图像上反而可以做得更好。
2.用比较少的特征。比如，本来给 3 天的数据，改成用给两天的数据。
3.早停（early stopping）：一种在机器学习训练过程中用来防止过拟合的技术。它的核心思想是在模型训练过程中，当模型在验证集上的性能不再提升时，提前终止训练。这样可以避免模型在训练集上过度学习，从而提高模型在未知数据上的泛化能力。
早停的工作原理通常包括以下几个步骤：
定义性能指标：首先需要确定一个性能指标，比如准确率、损失函数值等，用于评估模型在验证集上的表现。
设置监控间隔：在训练过程中，每隔一定的迭代次数或周期，评估模型在验证集上的性能。
记录最佳模型：在每次评估时，如果当前模型的性能比之前记录的最佳性能要好，就更新最佳模型，并记录当前的迭代次数。
设置容忍度：定义一个容忍度（patience），即在一定次数的迭代后，如果模型性能没有进一步提升，就停止训练。
终止训练：当模型在验证集上的性能在连续多个监控周期内没有提升，并且达到设定的容忍度时，训练过程会被终止。
早停不仅可以防止过拟合，还可以节省训练时间，特别是在训练大型模型或数据集时非常有用。此外，早停还可以与正则化技术（如L1、L2正则化）结合使用，以进一步提高模型的泛化能力。
4.正则化（regularization）：通过在模型的损失函数中添加一个额外的项来实现，这个额外的项通常与模型的复杂度相关，目的是惩罚模型的复杂度。
5.丢弃法（dropout method）：是一种在训练过程中随机“丢弃”（即暂时移除）网络中一部分神经元（包括它们连接的权重）的技术。这可以防止模型对特定的数据样本过度敏感，从而提高模型的泛化能力。
注：但也不要给太多的限制，模型的限制太大在测试集上不会得到好的结果。这种情况下的结果不好，并不是因为过拟合了，而是因为给模型太大的限制，大到有了模型偏差的问题。
4.2.3 模型复杂程度与损失的关系
比较复杂的模型包含的函数比较多，参数比较多。如图 2.10 所示，随着模型越来越复杂，训练损失可以越来越低，但测试时，当模型越来越复杂的时候，刚开始，测试损失会显著下降，但是当复杂的程度，超过某一个程度以后，测试损失就会突然暴增了。这就是因为当模型越来越复杂的时候，复杂到某一个程度，过拟合的情况就会出现，所以在训练损失上面可以得到比较好的结果。在测试损失上面，会得到比较大的损失，可以选一个中庸的模型，不是太复杂的，也不是太简单的，刚刚好可以在训练集上损失最低，测试损失最低。
5 交叉验证
比较合理选择模型的方法是把训练的数据分成两半，一部分称为训练集（training set），一部分是验证集（validation set）。比如 90% 的数据作为训练集，有 10% 的数据作为验证集。在训练集上训练出来的模型会使用验证集来衡量它们的分数，根据验证集上面的分数去挑选结果，再把这个结果上传到 Kaggle 上面得到的公开分数。在挑分数的时候，是用验证集来挑模型，所以公开测试集分数就可以反映私人测试集的分数。但假设这个循环做太多次，根据公开测试集上的结果调整模型太多次，就又有可能在公开测试集上面过拟合，在私人测试集上面得到差的结果。
k 折交叉验证是先把训练集切成 k 等份。在这个例子，训练集被切成 3 等份，切完以后，拿其中一份当作验证集，另外两份当训练集，这件事情要重复 3 次。即第一份第 2 份当训练，第 3 份当验证；第一份第 3 份当训练，第 2 份当验证；第一份当验证，第 2 份第 3 份当训练。
6 不匹配
6.1 基本概念
"不匹配问题"（Mismatch Problem）通常指的是模型训练和测试阶段的数据分布不一致的情况。这种不一致性可能导致模型在实际应用中的表现不佳，即使它在训练数据上表现得很好。
6.2 基本类型
①数据分布不匹配：
- 训练集和测试集分布不一致：如果训练数据和测试数据来自不同的分布，模型可能无法很好地泛化到新的数据上。
- 时间不匹配：随着时间的推移，数据分布可能会发生变化（例如，季节性变化或长期趋势），导致模型过时。
②特征不匹配：
- 特征空间不一致：如果训练数据和测试数据使用的特征集不同，模型可能无法正确地识别和预测测试数据。
- 特征缩放不一致：如果训练和测试数据的特征没有以相同的方式进行缩放或标准化，模型的性能可能会受到影响。
③标签不匹配：如果训练数据中的标签错误或与测试数据的标签定义不一致，模型的预测准确性会受到影响。
④概念不匹配：在现实世界中，数据的底层概念可能会随时间变化，导致模型无法适应新的概念。
⑤采样不匹配：如果训练数据和测试数据的采样方法不同，可能会导致模型在某些类别或特征上表现不佳。
⑥数据质量不匹配：如果训练数据和测试数据的噪声水平不同，模型可能无法正确地学习数据中的模式。
对于不匹配问题，单纯增加数据也不能让模型做得更好，而匹不匹配依靠对数据本身的理解。
- 数据增强：通过生成新的数据点或变换现有数据来增加数据的多样性。
- 数据清洗：确保训练和测试数据的质量一致。
- 特征工程：确保训练和测试数据使用相同的特征集和特征处理方法。
- 域适应：在迁移学习中，使用特定的技术来减少源域和目标域之间的差异。
- 重新采样：通过过采样或欠采样来平衡类别分布，减少采样偏差。
- 集成学习：使用多个模型的集成来提高模型对不同数据分布的适应性。
参考资料
Datawhale (linklearner.com)
这篇关于Datawhale X 李宏毅苹果书 AI夏令营 Task3打卡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！
