IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 2021-08-19 -> 正文阅读

[人工智能]2021-08-19

1.1 模型-策略-算法

  1. 模型:在假设空间中,模型一般有无穷多个;

    • 生成式模型:通过数据学习联合概率分布P(X,Y),然后求出条件概率分布P(Y|X) = P(X,Y) / P(X)作为预测模型。

      • 强调:输入X和输出Y之间的关系;
      • 模型:朴素贝叶斯模型、隐马尔可夫模型和高斯混合模型等。
    • 判别式模型:通过数据直接学习决策函数P(Y)或者条件概率分布P(Y|X)作为预测模型。

      • 强调:给定输入X,应该得到什么样的输出Y。
      • 模型:K近邻算法、感知机、决策树、逻辑回归、最大熵模型、支持向量机、提升算法、神经网络和条件随机场等。
      生成式模型判别式模型
      假设满足一些假设
      条件独立性假设、混合高斯分布
      生成生成样本
      速度更容易拟合数据
      误差较高
      新类不需要全部样本重新训练
  2. 策略:按照什么样的规则选择最优模型;

    • 损失函数:一次预测的好坏。
      • 0-1损失函数:0-1损失函数
      • 平方损失函数:平方损失函数
      • 对数损失函数:对数损失函数
      • 绝对值损失函数:绝对值损失函数
    • 风险函数:整体预测的好坏。
      • 期望风险:模型关于联合概率分布P(x,y)的期望损失。联合概率分布未知的&无法学习;
      • 经验风险:模型关于训练集的平均损失经验风险函数,根据大数定律,当样本量N趋于无穷时,经验风险趋于期望风险,但现实中训练样本有限,可能出现过拟合现象;
      • 结构风险:为防止过拟合提出的策略。 等价于 经验风险 + 正则化项(模型复杂度)。
    • 目标函数:通常指结构风险最小化函数。
  3. 算法:求解最优化问题的方法。

1.2 正则化

  • 定义:模型参数向量的范数。
  • 范数:矩阵范数(矩阵变化的大小)、向量范数(向量大小)。
    • L0范数:是指向量中非0的元素的个数。
    • L1范数:是指向量中各个元素绝对值之和:L1范数
    • L2范数:是指向量各元素的平方和然后开方:L2范数

1.3 误差

  • 训练误差:模型在训练集上的平均损失;
  • 测试误差:模型在测试集上的平均损失;
  • 泛化误差:模型对未知数据的预测能力,常用测试误差来预计。

1.4 过拟合与欠拟合

过拟合与欠拟合
  • 过拟合:模型复杂度较高,训练误差小,测试误差大。

    • 添加其他特征项。比如:组合特征;
    • 添加多项式特征。比如:二次项或者三次项特征;
    • 减少正则化参数。正则化用于防止过拟合的;
  • 欠拟合:模型复杂度较低,训练误差大,测试误差大。

    • 增大数据集。估计参数分布并生成新样本;数据增强(比如:图像的旋转,平移或缩放)
    • 添加正则化项。L0正则、L1正则、L2正则等。
    • 采用dropout方法。模型训练时随机让某些隐含层节点的权重不参与计算。

1.5 模型评估方法

  • 留出法

    • 场景:样本充足时,数据集D划分训练集S,测试集T
    • 要求1:数据分布一致,比如:采用分层采样保证类别比例相似。
    • 要求2:单次评估结果不稳定,重复评估取均值。
    • 要求3:训练集S太大,评估结果方差大;测试集T太大,评估结果偏差大。因此,大约2/3 ~ 4/5的样本用于训练,剩余样本用于测试;
    • 缺点:保留一部分样本做测试集,模型在非全量数据上训练可能存在偏差。
  • 交叉验证法

    • 场景:样本量不足时
    • 要求1:分层采样将训练集D划分成k份数据分布相似的互斥子集Di=0-k;一份数据做测试,剩余做训练。k折交叉验证
    • 要求2:随机划分p次,取pk折交叉验证结果的均值。p次k折交叉验证
    • 缺点:保留了一部分样本做测试集,模型在非全量数据上训练可能存在偏差。
  • 留一法:交叉验证法的个例(k=总样本量m)。

    • 场景:样本量不足时;
    • 优点:不受随机划分影响,模型更准确(1个样本之差);
    • 缺点:数据量太大时,计算开销大;
  • 自助法:避免上述3中方法的缺点而来

    • 场景:样本量不足时;

    • 要求:采用**自助采样法(boostrap sampling)**有放回随机采样m次生成训练集D,剩余做测试集。**36.8%**的样本没有出现在训练集中:

      自助采样法
    • 优点:类似于集成学习,有利于训练好的模型;

    • 缺点:训练集改变了初始数据集的分布,引入了偏差。

1.6 性能度量

  • 回归问题:均方误差

    回归性能度量
  • 二分类问题

    • 错误率:分类错误的样本数 / 样本总数;

    • 精 度:分类正确的样本数 / 样本总数;

    • 查准率:准确率(Precision)= TP / (TP+FP)。

    • 查全率:召回率(Recall)= TP / (TP+FN)。

    • PR曲线:根据测试结果对样本排序,最前面“最有可能”是正例的样本。逐个把样本作为正例计算出当前的“查准率”和“查全率”。性能评价:完全包裹法曲线面积平衡点法

      PR曲线
    • F1值: 查准率和查全率的调和均值(又称倒数平均数:各变量倒数的平均数的倒数)

      F1调和平均数
    • Fβ:加权调和均值。当0<β<1时:偏重查准率;当β>1时:偏重查全率;

      Fβ加权调和平均数
    • ROC曲线:受测试者工作特征曲线。排序并逐个将样本作为正类计算:

      AUC和ROC
    • AUC值:ROC曲线下的面积

      AUC值
  • 多分类问题

    • 思路1:每两两类别计算出查准率和查全率(P1,R1), (P2,R2)…(Pn,Rn);再分别计算PR均值,宏查准率(macro-P)、宏查全率(macro-R)。最后计算宏F1(macro-F1)。
      • 思路2:先计算所有TP、FP、TN、FN的均值,再分别计算微查准率(micro-P)、微查全率(micro-R),最后计算微F1(micro-F1)。

1.7 假设检验

  • 假设检验的目的:从统计学的角度,判断不同算法的性能是否存在显著差异。

  • 交叉验证 t 检验:又称成对 t 检验。

    • 思想:根据成对算法性能差值的均值和方差计算服从 t 分布的随机变量 t ,根据自由度、 t 分布临界值表判断性能是否存在差异;
    • 服从t 分布;
    • 场景:两两算法在相同数据集上的两两比较。
  • Friedman检验

    • 思想:根据不同算法在不同数据集上的性能表现进行排序得到序值表,再计算服从卡方分布的随机变量,根据算法个数、数据集个数、 F分布的临界值表判断性能是否存在差异;
    • 服从:卡方分布(原始)、F分布(修正);
    • 场景:多个算法在多个数据集上进行比较。

1.8 偏差与方差

  • 泛化误差:由偏差方差噪声组成:

    泛化误差偏差方差噪声
    • 偏差:度量算法的期望预测与真实结果的偏离程度;刻画算法本身的拟合能力;

    • 方差:度量相同规模数据集变动所导致的性能变化;刻画数据扰动造成的影响;

    • 噪声:度量当前任务上所有算法的泛化误差的下界;刻画任务本身的难易程度;

  • 泛化性能:由算法能力数据是否充分问题难度共同决定。

  • 偏差方差关系

    泛化误差偏差方差关系图
    • 训练不足时,拟合能力不足,训练集变化导致拟合能力变化不显著;偏差主导泛化错误率;
    • 训练充足时,拟合能力很强,训练集微小变化导致拟合能力发现显著变化,容易导致了过拟合。
  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-20 15:05:55  更:2021-08-20 15:06:13 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/1 9:24:09-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码