标签：mathbb 训练 验证 模型 选择 mathcal sim

1.概念

拟合能力强的模型一般复杂度会比较高，容易过拟合。
如果限制模型复杂度，降低拟合能力，可能会欠拟合。

2.如何选择模型?

模型越复杂,迅雷错误越低

不能根据训练错误最低来选择模型

在选择模型时,测试集不可见

3.模型选择

引入验证集

将训练集分为两部分

训练集
验证集

如何选择模型

在训练集上训练不同的模型
选择在验证集上错误最小的模型

4.交叉验证

将训练集分为S组,每次使用S-1组作为训练集,剩余一组作为验证集
取验证集上平均性能最好的一组

5.模型选择的准则

一些准则

1.赤池信息论准则 Akaike Information Criterion AIC
2.贝叶斯信息准则 Bayesian Information Criterion BIC

模型复杂度与期望风险之间的关系

偏差-方差分解 Bias-Variance Decomposition

6.偏差-方差分解

期望风险

\(\mathcal{R}(\theta)=\mathbb{E}_{(x,y)\sim p_r(x,y)}[\mathcal{L}(y,f(x;\theta))]\)
\(\mathcal{R}(f)=\mathbb{E}_{(x,y)\sim p_r(x,y)}[(y-f(x))^2]\)

机器学习算法能学习到的最优模型

\(f^{*}(x)=\mathbb{E}_{y\sim p_r(y|x}[y]\)

期望风险可以分解为

\(\mathcal{R}(\theta)=\mathbb{E}_{(x,y)\sim p_r(x,y)}[(y-f^{*}(x)+f^{*}(x)-f(x))^2]\)
\(=\mathbb{E}_{x\sim p_r(x)}[(f(x)-f^{*}(x))^2]+\epsilon\)
\(\epsilon=\mathbb{E}_{(x,y)\sim p_r(x,y)}[(y-f^{*}(x))^2],通常是由于样本分布以及噪声引起的,无法通过优化模型来减少\)

标签：mathbb,训练,验证,模型,选择,mathcal,sim
来源： https://www.cnblogs.com/boyknight/p/15812044.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。