本文探讨了机器学习中基础概念——方差（variance）和偏差（bias）。简单模型的方差通常较小，而复杂模型可能面临过拟合问题，即variance较大。理解并平衡bias和variance对于优化模型至关重要。当bias较高时，需要重新设计模型；当variance较高时，可以增加数据量或采用正则化。交叉验证是评估模型性能的有效方法，通过将数据集分为训练集和验证集来选择最佳模型。
Basic Concept基础概念
variance（方差）
bias（偏见）
用多个m求期望就可以得到μv
希望两者都小
模型的提升 用不同的“宇宙” 找不同的𝑓∗
对于不同级别的modle 做100次实验
简单的modle Vaiance是比较小的 原因是简单的modle受到数据的影响较小 因为不会过于离散
bias和bariance的大小变化 和模型的阶数 构成的线 综合下来就是蓝色的线 找到一个最佳的平衡点
准确辨别究竟是哪个大非常重要 如果是模型无法拟合 就是bias大 如果是可以拟合训练集拟合不了测试集 就是overfitting various大。
bias大 redesign model
various大 增加data 或者 Regularization规则化；调整；合法化
所得到的model不一定拟合实际的数据 正确的做法是Cross Validation 交叉验证
将测试集变成两部分 用Validation选择modle Train完之后在Validation 上验证
也可以重复利用数据 用avg结果来判断优劣
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
