【机器学习26】-偏差、方差权衡

【机器学习26】-偏差、方差权衡

以下是关于偏差-方差权衡、神经网络优化及正则化应用的系统性解析与解题思路：

---

1. 偏差-方差权衡（图1）

核心概念

• 简单模型（如线性回归）：
$$f_{\mathbf{w},b}(x)=w_{1}x+b$$
• 高偏差：训练误差$J_{train}$和验证误差$J_{cv}$均高（欠拟合）。
• 复杂模型（如高阶多项式）：
$$f_{\mathbf{w},b}(x)=\sum _{k=1}^4{w}_k{x}^k+b$$
• 高方差：$J_{train}$低但$J_{cv}$显著升高（过拟合）。

诊断与解决

1. 观察误差曲线：
   • 若$J_{train}$和$J_{cv}$均高 → 增加模型复杂度（如升高多项式次数）。
   • 若$J_{train}$低但$J_{cv}$高 → 简化模型或正则化（如降低次数、增大$\lambda$）。
2. 最优复杂度选择：
   • 选择$J_{cv}$最低对应的多项式阶数（图1中$d=2$附近）。

---

2. 神经网络优化流程（图2）

调试步骤

1. 检查训练集表现：
   • 若$J_{train}$高 即高方差→ 增大网络规模（增加层数或单元数）。
   ◦ 原理：神经网络是低偏差模型，容量不足会导致欠拟合。
   • 若$J_{train}$低 → 进入下一步。
2. 检查验证集表现：
   • 若$J_{cv}$高 即高方差→ 收集更多数据或添加正则化。
   ◦ 原理：数据不足或模型过复杂时需抑制过拟合。

关键结论

• 大型神经网络优先解决偏差，再通过数据/正则化控制方差。
• 硬件支持（如GPU）对大规模网络训练至关重要。

---

3. 正则化在神经网络中的应用（图3）

正则化模型 vs 非正则化模型

组件	非正则化模型	正则化模型（L2, $\lambda =0.01$）
层结构	Dense(25, ReLU) → Dense(15, ReLU) → Sigmoid	每层添加kernel_regularizer=l2(0.01)
损失函数	交叉熵	交叉熵 + $\frac{\lambda }{2m}\sum |\mathbf{w}{|}_2^2$
效果	易过拟合	抑制权重过大，提升泛化能力

实现代码示例

from tensorflow.keras import Sequential, Dense
from tensorflow.keras.regularizers import l2

# 正则化模型
model = Sequential([
    Dense(25, activation='relu', kernel_regularizer=l2(0.01)),
    Dense(15, activation='relu', kernel_regularizer=l2(0.01)),
    Dense(1, activation='sigmoid', kernel_regularizer=l2(0.01))
])

---

4. 综合解题思路

问题类型判断与解决策略

问题类型	判断依据	解决方案
高偏差	$J_{train}$和$J_{cv}$均高	增加模型复杂度/特征/减小$\lambda$
高方差	$J_{train}\ll J_{cv}$	增大$\lambda$/正则化/简化模型/增加数据
最优平衡	$J_{cv}$最小且与$J_{train}$差距合理	保持当前模型

操作流程

1. 训练基础模型 → 计算$J_{train}$和$J_{cv}$。
2. 诊断问题：
   • 神经网络优先扩规模解决偏差，再用正则化/数据解决方差。
   • 传统模型通过调整复杂度或$\lambda$平衡偏差-方差。
3. 验证改进：监控$J_{cv}$下降且泛化性提升。

---

5. 核心公式总结

1. 正则化损失函数：
   $$J(\mathbf{w},b)=\frac{1}{m}\sum _{i=1}^m\mathcal{L}(f({\mathbf{x}}^{(i)}),y^{(i)})+\frac{\lambda }{2m}\Vert \mathbf{w}{\Vert }_2^2$$
2. 偏差-方差决策：
   • 高偏差：$\uparrow$复杂度，$\downarrow \lambda$
   • 高方差：$\downarrow$复杂度，$\uparrow \lambda$或$\uparrow$数据量

通过系统化应用上述方法，可高效优化模型性能并解决过拟合/欠拟合问题。