文章目录
- 1. 如何训练回归问题
- 2. 泛化能力
- 3. 误差来源
- 4. 正则化
- 5. 交叉验证
1. 如何训练回归问题
第一步：定义模型
- 线性模型： y ^ = b + ∑ j w j x j \hat{y} = b + \sum_{j} w_j x_j y^=b+∑jwjxj
- 其中，( w ) 是权重，( b ) 是偏差。
第二步：确定损失函数
- 损失函数：实际值和预测值的差平方和
L = ∑ i = 1 n ( y ^ i − ( b + ∑ j w j x i j ) ) 2 L = \sum_{i=1}^{n} (\hat{y}_i - (b + \sum_{j} w_j x_{ij}))^2 L=i=1∑n(y^i−(b+j∑wjxij))2
第三步：寻找最好的函数
目的：
- 找到最好的函数，目的是找到参数 ( w ) 和 ( b ) 使损失函数最小。
方法：
- 梯度下降法
- 计算当前参数 ( w ) 和 ( b ) 的梯度。
- 分别对 ( w ) 和 ( b ) 计算偏导数。
- 更新参数：
w ′ = w − η ⋅ ∂ L ∂ w , b ′ = b − η ⋅ ∂ L ∂ b w' = w - \eta \cdot \frac{\partial L}{\partial w}, \quad b' = b - \eta \cdot \frac{\partial L}{\partial b} w′=w−η⋅∂w∂L,b′=b−η⋅∂b∂L
其中， η \eta η 是学习率。
说明：
- 线性模型没有局部最优解，但学习率选择会影响参数是否能跨过最优解。
2. 泛化能力
欠拟合
- 概念：没有训练到位，训练结果和测试结果都不好。
- 原因：迭代次数少，模型过于简单。
- 解决方法：引入新参数，提高模型复杂度。
- 特点：偏差大，方差小。
过拟合
- 概念：训练结果很好，但测试结果不好。
- 原因：为了迎合训练数据，引入高次项，导致模型过于复杂，曲线变得过于曲折。
- 权重影响模型的平滑度，方法影响的是上下平移。
- 解决方法：
- 增加训练数据，复杂模型更容易找到最好的函数。
- 人工降维，减少模型复杂度。
- 引入正则化参数，减小权重，使曲线平滑。
- 使用 Dropout 和 Early Stop 等技术。
- 特点：偏差小，方差大。
3. 误差来源
方差（Variance）
- 定义：训练结果与训练结果平均值之间的方差。
- 描述：反映了模型的抗扰动能力，训练结果的分散程度。
偏差（Bias）
- 定义：训练结果与真实值的偏差。
- 描述：刻画了模型的拟合能力，训练结果偏离正确结果的程度。
总结：
- 模型简单：
- Function set 小 → 方差小 → 偏差大 → 曲线平滑 → 欠拟合 → 通过调整模型复杂度解决。
- 模型复杂：
- Function set 大 → 方差大 → 偏差小 → 曲线陡峭 → 过拟合 → 通过正则化解决。
4. 正则化
目的
- 在最小化损失函数的同时，减小权重的值。
- 权重越小，曲线越平滑，输入变化对结果的影响较小。
- 控制权重的更新，减小模型复杂度。
实现方法：
- 在损失函数中加入正则化项： L reg = L + λ ∑ i w i 2 L_{\text{reg}} = L + \lambda \sum_{i} w_i^2 Lreg=L+λ∑iwi2
- 其中， λ \lambda λ 是正则化参数，控制权重的大小
- 因为要最小化Loss，所以权重也会被最小化
5. 交叉验证
定义：
- 交叉验证：划分训练集和测试集，模拟测试结果的不可预测性，避免过拟合。
目的：
- 使用验证集验证训练结果，并根据验证结果调整模型，确保泛化能力。
步骤：
- 将数据划分为训练集和验证集。
- 使用验证集模拟测试集，验证训练结果。
- 根据验证集上的表现调整模型。
- 使用整个训练集重新训练模型，得到最终的模型。
注意：
- 验证集调整后，不应根据测试集的结果再做调整，即便你忍不住。