【深度学习详解】Task3 实践方法论-分类任务实践 Datawhale X 李宏毅苹果书 AI夏令营

前言

综合之前的学习内容,

本篇将探究机器学习实践方法论

出现的问题及其原因

🍎 🍎 🍎

系列文章导航

【深度学习详解】Task1 机器学习基础-线性模型 Datawhale X 李宏毅苹果书 AI夏令营
【深度学习详解】Task2 分段线性模型-引入深度学习 Datawhale X 李宏毅苹果书 AI夏令营
【深度学习详解】Task3 实践方法论-分类任务实践 Datawhale X 李宏毅苹果书 AI夏令营

本篇目录导航

实践方法论


本篇笔记 General Guide 从原视频课件进行修改:
李宏毅《机器学习/深度学习》2021课程 -> 机器学习任务攻略

问题描述:large loss on training data

训练数据的损失很大,显然它在训练集上面也没有训练好

模型偏差

鼠标右键 -> 在新标签页中打开图像

原因分析 模型过于简单

  • 该函数的集合太小了, 没有包含任何一个函数,
    可以让损失变低的函数不在模型可以描述的范围内。

  • 想要在大海里面捞针(一个损失低的函数),
    结果针根本就不在海里。
    解决方案 给模型更大的灵活性

  • 增加输入的特征,即同时考虑更多训练数据
    (得到更有灵活性 flexibility 的函数)

  • 重新设计一个模型,使用深度学习
    (更多的 layer 层数)

优化问题

鼠标右键 -> 在新标签页中打开图像

原因分析 优化器不给力

  • 优化器(梯度下降)在寻找代价函数最低点的过程,
    会出现局部最小值干扰,无法找到全局最小值。
  • 想要在大海里面捞针(一个损失低的函数),
    针确实在海里,但是无法把针捞起来。

    解决方案 尝试更强大的优化器,寻找损失低的函数

is 模型偏差 or 优化问题 ?

判断是 模型偏差 or 优化问题 ?

问题描述:large loss on testing data

训练数据上面的损失小,但在测试数据上的损失大

过拟合【交叉验证】

鼠标右键 -> 在新标签页中打开图像

原因分析 模型过于复杂

  • 模型灵活性过大,学习到了训练数据的噪声。
    (模型过于复杂,对数据过度适应)

    解决方案 增加训练集数据限制住拟合的模型
    (往往是最有效的方向)

  • 需要增加额外的训练集数据(不容易。)

  • 不用增加额外的训练集数据(很建议!)
    data augmentation 数据增强:
    根据问题的理解创造出新的合理数据

给模型更多的限制性

  • 减少输入的特征,即同时考虑更少训练数据
    (不要过大灵活性 flexibility 的函数)
  • 重新设计一个模型:减少参数 / 共用参数(可以让一些参数有一样的数值)
    eg. 神经元数量
  • 重新设计一个模型:使用更受限的模型。
    eg. 卷积神经网络(Convolutional Neural Network,CNN)
    是比全连接网络(fully-connected network)更有限制的架构
  • Early stopping 早停
  • Regularization 正则化
  • Dropout 丢弃法

trade-off(权衡模型的灵活性和限制性)

比较合理选择模型的方法是:

将训练数据分成"训练集"和"进行模型选择的验证集"

即,

在训练集上训练出来的模型

会使用验证集来衡量分数和挑选模型,即基线(baseline)算法

(避免在公开的测试集上面频繁挑选模型导致的过拟合)

  • Cross Validation 交叉验证

    将训练数据按照百分比随机分成"训练集"和"进行模型选择的验证集"。例如:

    90%训练数据作为"训练集",

    10%训练数据作为"进行模型选择的验证集"。

  • N-fold Cross Validation N 折交叉验证

    将训练数据切成 n 等份,这件事情要重复 3 次:

    n - 1 份作为"训练集",

    还有 1 份作为"进行模型选择的验证集"。

不匹配

鼠标右键 -> 在新标签页中打开图像

原因分析 **训练集和测试集的分布不同,

导致模型在测试集上的预测表现不佳。**


解决方案 要对训练数据和测试数据的产生方式有一些理解,
确保重新收集的训练数据与数据数据的分布尽可能一致


Python 分类任务实践

baseline 教程
https://datawhaler.feishu.cn/wiki/M7tqwIHYdiz5ULkRkD9cPPWTntg
数据集 下载

【2023机器学习】的系列资料包括 视频、课件、代码等资源已经系统顺序命名并整理到百度网盘:
https://pan.baidu.com/s/1-zfs0wn5rccTRVk34YZWaA,提取码:2023。
来源:https://blog.csdn.net/qq_39975984/article/details/133103314


Read more

相关推荐
ViperL112 分钟前
[智能算法]可微的神经网络搜索算法-FBNet
人工智能·深度学习·神经网络
新智元12 分钟前
马斯克深夜挥刀,Grok 幕后员工 1/3 失业!谷歌 AI 靠人肉堆起,血汗工厂曝光
人工智能·openai
带娃的IT创业者12 分钟前
Windows 平台上基于 MCP 构建“文心一言+彩云天气”服务实战
人工智能·windows·文心一言·mcp
金井PRATHAMA1 小时前
认知语义学隐喻理论对人工智能自然语言处理中深层语义分析的赋能与挑战
人工智能·自然语言处理·知识图谱
J_Xiong01171 小时前
【VLMs篇】07:Open-Qwen2VL:在学术资源上对完全开放的多模态大语言模型进行计算高效的预训练
人工智能·语言模型·自然语言处理
老兵发新帖1 小时前
LlamaFactory能做哪些?
人工智能
2202_756749691 小时前
LLM大模型-大模型微调(常见微调方法、LoRA原理与实战、LLaMA-Factory工具部署与训练、模型量化QLoRA)
人工智能·深度学习·llama
人有一心1 小时前
深度学习中显性特征组合的网络结构crossNet
人工智能·深度学习
机器之心1 小时前
用光学生成图像,几乎0耗电,浙大校友一作研究登Nature
人工智能·openai