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
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)