机器学习:神经网络的 over fitting

2023-12-05 11:38

本文主要是介绍机器学习:神经网络的 over fitting,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!

我们在训练模型的时候,经常会遇到 under fitting 与 over fitting 的概念,现在的机器学习,基本是数据驱动型的。模型最终是要拟合数据的分布,一般如果模型的 capacity 不够,就容易造成 under fitting,这个通过增加模型的 capacity 都能得到解决,现在训练模型,最担心的往往是另外一种问题,就是所说的 over fitting。

模型如果在训练集上表现很好,而在测试集上表现糟糕,那模型应该是存在over fitting 的问题

over fitting 是训练神经网络经常会碰到的一个问题,不仅仅是 classification,只要涉及拟合分布,那么都有可能出现 over fitting,比如分割,检测,当模型太过复杂,而数据的总量和多样性又不足的时候,加上训练的时间很长,就很容易出现 over fitting。

over fitting 的原因,一般都是因为模型过于拟合训练数据的分布,因为神经网络,尤其是深度神经网络,是一个非常复杂的非线性映射函数,几乎可以拟合各种各样的数据分布,我们常常说训练数据的分布与测试数据的分布比较类似,这种 “类似”也是体现在整体的趋势上,而不是非常细微的地方。如果模型太执着于细节,其 variance 就会很大,模型变得非常敏感,而失去了对整体趋势的把握,从而导致模型不再具备泛化能力。

比较常见的几种减少over fitting 的方式:

增加数据

数据的多样性,也是提升模型泛化能力的一种方法,以图像识别为例,一般都会做一些裁剪,反转,平移等数据增广,以增加数据的多样性,更直接的方式就是获取更多的原始数据,不过,有标签的数据越来越难获取,所以就会有下面几种抑制 over fitting 的方式。

加入正则项

这个就是我们常说的 weight decay,我们一般的 loss 函数是交叉熵:

J = − ∑ y log p J = - \sum y \text{log} p J=ylogp

weight decay 就是在后面加入正则项:
J = − ∑ y log p + λ ∣ ∣ w ∣ ∣ l J = - \sum y \text{log} p + \lambda ||w||_{l} J=ylogp+λwl

∣ ∣ w ∣ ∣ l ||w||_{l} wl 表示 w w w l l l 范数,一般是 1 或者 2,通过 weight decay 的方式,可以一定程度抑制 over fitting。

Drop-out

这个最早是 Hinton 等人提出来的一种训练策略,就是在训练模型的时候,随机的让一些神经元置 0,这种让某些神经元不工作的方法,就类似在减小了网络的 capacity,而且由于神经元的置 0 是随机的,这就类似有很多个小的网络在 ensemble 一样。训练了很多个不同的小网络,测试的时候,神经元全部都打开,就类似把很多个小网络联合在一起预测。 Drop out 最初是用在全连接 FC 层上,现在,也有用在卷积层上,drop out 是比较有效的一种抑制网络 over fitting 的方法。

及时终止训练

网络模型理论上,是可以把训练数据拟合得非常好的,只要你给它足够的训练时间,但是一般来说,如果对训练数据拟合到一定程度,再训练下去,可能就没有什么作用了,甚至会出现 over fitting,所以停止训练的时间也是比较重要的。不过,我们一般很难把握这个时间点,我们不知道什么时候停止训练是最佳的,所以会在训练一段时间,利用 validation set 进行测试,以随时监测模型的泛化能力。当模型在 validation set 上的性能基本平稳了,那说明模型训练可以终止了。

这篇关于机器学习:神经网络的 over fitting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!



http://www.chinasem.cn/article/457425

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个