Task03 误差和梯度下降
本次学习基于李宏毅老师的《机器学习》课程:https://www.bilibili.com/video/av59538266 笔记参照Datawhale开源学习笔记:https://datawhalechina.github.io/leeml-notes/#/ 本次学习内容较为基础,适合新手了解学习。
1、误差的来源
误差 主要有两个来源,分别是 偏差 和 方差 。误差的期望值 = 噪音的方差 + 模型预测值的方差 + 预测值相对真实值的偏差的平方,如下图:
如何估算方差?用样本估算:
不同模型方差如何?
一次模型的方差就比较小的,也就是是比较集中,离散程度较小。而5次模型的方差就比较大,同理散布比较广,离散程度较大。所以用比较简单的模型,方差是比较小的(就像射击的时候每次的时候,每次射击的设置都集中在一个比较小的区域内)。如果用了复杂的模型,方差就很大,散布比较开。
这也是因为简单的模型受到不同训练集的影响是比较小的。
不同模型偏差如何?
一次模型的偏差比较大,而复杂的5次模型,偏差就比较小。直观的解释:简单的模型函数集的space比较小,所以可能space里面就没有包含靶心,肯定射不中。而复杂的模型函数集的space比较大,可能就包含的靶心,只是没有办法找到确切的靶心在哪,但足够多的数据,就可能得到真正的靶心。
2、过拟合与欠拟合
如果模型没有很好的训练训练集,就是偏差过大,也就是欠拟合。如果模型很好的训练训练集,即再训练集上得到很小的错误,但在测试集上得到大的错误,这意味着模型可能是方差比较大,就是过拟合。 对于欠拟合和过拟合,是用不同的方式来处理的。
- 偏差大-欠拟合
此时应该重新设计模型。因为之前的函数集里面可能根本没有包含。可以:
将更多的函数加进去,比如考虑高度重量,或者HP值等等。 或者考虑更多次幂、更复杂的模型。 如果此时强行再收集更多的data去训练,这是没有什么帮助的,因为设计的函数集本身就不好,再找更多的训练集也不会更好。 - 方差大-过拟合
简单粗暴的方法:更多的数据
但是很多时候不一定能做到收集更多的data。可以针对对问题的理解对数据集做调整。比如识别手写数字的时候,偏转角度的数据集不够,那就将正常的数据集左转15度,右转15度,类似这样的处理。
3、模型选择
现在在偏差和方差之间就需要一个权衡 想选择的模型,可以平衡偏差和方差产生的错误,使得总错误最小 但是下面这件事最好不要做:用训练集训练不同的模型,然后在测试集上比较错误,模型3的错误比较小,就认为模型3好。但实际上这只是你手上的测试集,真正完整的测试集并没有。比如在已有的测试集上错误是0.5,但有条件收集到更多的测试集后通常得到的错误都是大于0.5的。
- 交叉验证
图中public的测试集是已有的,private是没有的,不知道的。交叉验证 就是将训练集再分为两部分,一部分作为训练集,一部分作为验证集。用训练集训练模型,然后再验证集上比较,确实出最好的模型之后(比如模型3),再用全部的训练集训练模型3,然后再用public的测试集进行测试,此时一般得到的错误都是大一些的。不过此时会比较想再回去调一下参数,调整模型,让在public的测试集上更好,但不太推荐这样。
上述方法可能会担心将训练集拆分的时候分的效果比较差怎么办,可以用下面的方法。
- N-折交叉验证
将训练集分成N份,比如分成3份。
若在三份中训练结果Average错误是模型1最好,再用全部训练集训练模型1。
4、什么是梯度下降法?
在回归问题的第三步中,需要解决下面的最优化问题:
:lossfunction(损失函数)
:parameters(参数)
这里的parameters是复数,即 指代一堆参数,比如上篇说到的 和 。
我们要找一组参数 ,让损失函数越小越好,这个问题可以用梯度下降法解决:
假设 有里面有两个参数
分别计算初始点处,两个参数对 的偏微分,然后 减掉 乘上偏微分的值,得到一组新的参数。同理反复进行这样的计算。黄色部分为简洁的写法, 即为梯度。
5、调整学习率
上图左边黑色为损失函数的曲线,假设从左边最高点开始,如果学习率调整的刚刚好,比如红色的线,就能顺利找到最低点。如果学习率调整的太小,比如蓝色的线,就会走的太慢,虽然这种情况给足够多的时间也可以找到最低点,实际情况可能会等不及出结果。如果 学习率调整的有点大,比如绿色的线,就会在上面震荡,走不下去,永远无法到达最低点。还有可能非常大,比如黄色的线,直接就飞出去了,更新参数的时候只会发现损失函数越更新越大。
虽然这样的可视化可以很直观观察,但可视化也只是能在参数是一维或者二维的时候进行,更高维的情况已经无法可视化了。
解决方法就是上图右边的方案,将参数改变对损失函数的影响进行可视化。比如学习率太小(蓝色的线),损失函数下降的非常慢;学习率太大(绿色的线),损失函数下降很快,但马上就卡住不下降了;学习率特别大(黄色的线),损失函数就飞出去了;红色的就是差不多刚好,可以得到一个好的结果。
6、自适应学习率
举一个简单的思想:随着次数的增加,通过一些因子来减少学习率
- 通常刚开始,初始点会距离最低点比较远,所以使用大一点的学习率
- update好几次参数之后呢,比较靠近最低点了,此时减少学习率
- 比如 , 是次数。随着次数的增加, 减小
学习率不能是一个值通用所有特征,不同的参数需要不同的学习率。
Adagrad 算法
每个参数的学习率都把它除上之前微分的均方根。解释:
普通的梯度下降为:
是一个参数
Adagrad 可以做的更好:
:之前参数的所有微分的均方根,对于每个参数都是不一样的。
下图是一个参数的更新过程:
Adagrad 算法存在的矛盾,在 Adagrad 中,当梯度越大的时候,步伐应该越大,但下面分母又导致当梯度越大的时候,步伐会越小。
随机梯度下降法
之前的梯度下降:
而随机梯度下降法更快:
损失函数不需要处理训练集所有的数据,选取一个例子
此时不需要像之前那样对所有的数据进行处理,只需要计算某一个例子的损失函数Ln,就可以赶紧update 梯度。
对比:常规梯度下降法走一步要处理到所有二十个例子,但随机算法此时已经走了二十步(每处理一个例子就更新)
特征缩放
比如有个函数:
两个输入的分布的范围很不一样,建议把他们的范围缩放,使得不同输入的范围是一样的。
上图左边是 的scale比 要小很多,所以当 和 做同样的变化时, 对 的变化影响是比较小的, 对
坐标系中是两个参数的error surface(现在考虑左边蓝色),因为 对 的变化影响比较小,所以 对损失函数的影响比较小, 对损失函数有比较小的微分,所以 方向上是比较平滑的。同理 对 的影响比较大,所以 对损失函数的影响比较大,所以在
上图右边是两个参数scaling比较接近,右边的绿色图就比较接近圆形。
对于左边的情况,上面讲过这种狭长的情形不过不用Adagrad的话是比较难处理的,两个方向上需要不同的学习率,同一组学习率会搞不定它。而右边情形更新参数就会变得比较容易。左边的梯度下降并不是向着最低点方向走的,而是顺着等高线切线法线方向走的。但绿色就可以向着圆心(最低点)走,这样做参数更新也是比较有效率。
7、梯度下降的限制
容易陷入局部极值 还有可能卡在不是极值,但微分值是0的地方 还有可能实际中只是当微分值小于某一个数值就停下来了,但这里只是比较平缓,并不是极值点。