机器学习笔记:误差的来源(bias & variance)

Posted UQI-LIUWJ

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习笔记:误差的来源(bias & variance)相关的知识,希望对你有一定的参考价值。

1 bias & variance

简单的模型——bias大,variance小

复杂的模型——bias小,variance大

2 variance

3 bias

黑线——实际的曲线

蓝线——我们预测的曲线

4  bias v.s. variance

 

  •  如果你的模型在训练集上误差都很大,那么此时模型应该是欠拟合
  •  如果你的模型在训练集上误差很小,但是在测试集上误差很大,那么此时模型应该是过拟合

5 如何处理欠拟合问题 

        欠拟合的时候,可能我们的目标函数都不在我们的输出函数空间内

此时我们可以:

  • 添加更多的特征

  • 使用一个更复杂的模型

6 如何处理过拟合问题

机器学习笔记:过拟合_UQI-LIUWJ的博客-CSDN博客

但是这两种方案都有弊端

  • more data——我们可能没有这么多的数据(很多研究需要人为的数据增强)
  • 正则化——限制函数空间(太陡峭的可能就会直接被否掉)

 

以上是关于机器学习笔记:误差的来源(bias & variance)的主要内容,如果未能解决你的问题,请参考以下文章

机器学习中的三种误差

偏差(Bias)和方差(Variance)——机器学习中的模型选择

偏置-方差分解(Bias-Variance Decomposition)

总结:Bias(偏差),Error(误差),Variance(方差)及CV(交叉验证)

我对于机器学习中偏差和方差的理解

机器学习入门系列03,Error的来源:偏差和方差(bias 和 variance)