13-Validation

這講主要講validation, model selection, cross validation。

  • 在之前的課程中Eout等于Ein加上過擬合的懲罰項。 正則化就是在估計過擬合的懲罰項, validation則是直接估計Eout。


    versus
  • 現在估計誤差估計的準確率。 對于一個點來說, 其均值方差就是一種衡量。 那么如果是一個set呢, 均值方差如何變化, 答案是均值不變, 而方差減小了K倍。 可以看出, 用更多的點來估計可以減少我們估計的誤差。


    point

    set
  • 我們選擇K個點作為validation set。 根據Eval的式子, K越大估計的誤差越小, 但是由于K是從整個數據集的N個數據點抽離出來的, 會造成Ein變小而Eout變大!


    K
  • 這個圖清晰的展示了validation是如何做的, g是從全部數據點訓練出來的, g-是從訓練集訓練出來的, Dval在g-上面做估計。 validation起到了模型選擇的作用, 當最終確定了模型, 可以把所有的點都拿去訓練。


    roadmap
  • test set不參與訓練, 是一種無偏差的估計, 而validation set參與了訓練, 是一種有偏估計。 設想有兩個假設h1,h2. 本來它們的Eout都是0.5. 但是有一個在validation set的表現是小于0.5的,我們就會選擇它, 這樣就造成了估計的偏差。


    test vs validation
  • 一個訓練過程就是一個選擇假設空間中的假設的過程, 這種選擇是通過validation set來完成的: 選擇表現最好的。


    process
  • bias有多大呢, K越大 bias當然越小了, 但是代價是模型誤差非常大。


    bias
  • 三個set的區別。


    set
  • K的選擇另我們陷入了困境。 為了最終的模型的誤差能逼近Eout, 我們希望用更少的K從而使更多的樣本能參與訓練; 而為了使Eval能逼近訓練出來的模型的誤差, 我們希望K更大。


    K
  • cross validatoin就是為了解決這個問題的。 其中的一種是leave one out。 每次訓練選擇一個點作為validation set, 訓練N次, 最后取N次訓練的誤差的均值。如下面的例子, 選擇linear還是constant呢, 最終的結果是選擇constant model。


    leave one out

    selection
  • 在數字分類的實驗中, 我們通過cross valiation選擇有多少個多項式項。


    digit
  • 更常用的不是leave one out。 而是將樣本劃分為n個partition, 如5折, 10折等等。


    partition
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,825評論 6 546
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,814評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,980評論 0 384
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 64,064評論 1 319
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,779評論 6 414
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,109評論 1 330
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,099評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,287評論 0 291
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,799評論 1 338
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,515評論 3 361
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,750評論 1 375
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,221評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,933評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,327評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,667評論 1 296
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,492評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,703評論 2 380

推薦閱讀更多精彩內容