李宏毅机器学习——误差和梯度下降

本文探讨了模型复杂度与误差之间的关系,指出在模型选择中,过大的偏差可能导致欠拟合,而高方差则可能引发过拟合。通过交叉验证来平衡偏差和方差,以提高模型的泛化能力。同时,介绍了N-折交叉验证作为评估和选择模型的有效方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.误差的来源

Average Error随着模型复杂增加cheng指数上升,更复杂的模型,并不能给测试集带来更好的效果,而误差来自于bias(偏差)和variance(方差)。

2.估测变量x的偏差和方差

评估变量x的偏差

在这里插入图片描述
注:图片中的larger N 和 smaller N位置相反才对。

估测x的方差

在这里插入图片描述

3.偏差vs方差

在这里插入图片描述
偏差大——欠拟合
方差大——过拟合

4.模型选择

(1)传统方法
(2)交叉验证
在这里插入图片描述
(3)N-折交叉验证
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Cifeng79

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值