标签:line spl splay The design apply inline lambda app
训练后测试时如果发现模型表现很差,可以有很多种方法去更改:
增大/减小正则化参数\(\lambda\)。
那么该怎么去选择采用哪种方式呢?
一般将70%的数据作为训练集,30%的数据作为测试集。
先用训练集最小化\(J_{train}(\Theta)\),得到一组参数值\(\Theta\);
然后计算测试集误差\(J_{test}(\Theta)\):
对于线性回归:
对于逻辑回归:
测试集的平均误差(分类错误的比率):
假设要选择用几次多项式\(d\)去作为假设函数,那么做法就是不断尝试\(d\),选择一个在测试集上损失最小的\(d\),以此作为模型泛化能力的衡量。但是这样是有问题的,因为\(d\)相当于是被测试集训练的,再用测试集去测试,很不公平。所以一般将数据集分为3部分:60%训练集、20%交叉验证集、20%测试集:
看图:
正则化和Bias/Variance的关系:
训练集大小与Bias/Variance的关系:
## 三、Error Analysis
Andrew推荐的流程:
## 四、Handling Skewed Data
如果数据集中正负类的数据规模差距过大,只用误差衡量模型是不可靠的,此时需要查准率和召回率两个指标。
如何权衡这两个指标,一般使用\(F1\)得分:
\[F_1=2\frac{PR}{P+R}\]
#Week8 Advice for applying ML & ML System Design
标签:line spl splay The design apply inline lambda app
原文地址:https://www.cnblogs.com/EIMadrigal/p/12130914.html