week_6

Andrew Ng 机器学习笔记 ---By Orangestar

Week_6 （１）

---

In Week 6, you will be learning about systematically improving your learning algorithm. The videos for this week will teach you how to tell when a learning algorithm is doing poorly, and describe the 'best practices' for how to 'debug' your learning algorithm and go about improving its performance.

---

1.　Deciding What to Try Next

如何改进算法？

1. 使用更多样本
2. 尝试更少的特征参数
3. 尝试用更多的特征参数
4. 尝试多元参数
5. 试着降低或者升高正则参数

但是，选择一种有效的方法是困难的
所以，我们需要评估一个机器学习算法的性能的方法
Machine learning diagnostic
定义：

2. Evaluating a Hypothesis

如何评估假设函数以及避免过拟合和欠拟合？

如何评价假设函数？
将数据分割：按照某个比例
１．常用训练集
２．测试集

基本步骤：

• （回归问题）：(线性回归)

• （分类问题）：(逻辑回归)

  差不多，用测试集评估。
  问题是：如何计算error(0/1)?
  其实和之前差不多，要定义决策界限
  

  用0/1错分率来定义error

总结：

3. Model Selection and Train/Validation /Test Sets

模型选择问题//训练集//验证集//测试集

1. 模型选择：
   

   还需要选择一个参数d. 也就是最高次数。
   可以逐个选择，然后逐个算出测试集的误差函数。
   然后观察哪个最小。
   而且，这样选出的模型，可能仅仅是可以很好的拟合测试集，但是其他的说不定。所以，我们仅仅是用测试集来拟合样本。不公平！
   所以，我们可以用 交叉验证集！cross validation set
   

   现在把数据集分为３个部分：
   

   就是说，验证是最好的模型，可以用交叉验证集来检验！然后，就没有和测试集进行拟合，回避了测试集的嫌疑
   

   一般的比例为:
   

4. Diagnosing Bias vs. Variance

如何判断一个算法，是和方差有问题还是和偏差有问题？

用图像来直观理解

注意理解bias error 和　variance error
也就是，区分过拟合和欠拟合的情况

当然，这两种情况都是不好的！

5. Regularization and Bias / Variance

更深入地 探讨一下偏差和方差的问题 讨论一下两者之间 是如何相互影响的 以及和算法的正则化之间的相互关系

首先，我们来看一下正则项：

当然，我们需要先用交叉验证集上进行选择模型

再试着用哪一个正则项更好。来得到最小的Ｊ_train_
如图：

总结步骤：

• for each λ go through all the models to learn some Θ.
• without regularization or λ = 0
  以上两点很重要

6. 学习曲线learning curves

一种模型，当训练集的样本增加的时候，error是越来越大的

• 高偏差情况high bias（欠拟合）
  

结论：

所以，如果模型是高偏差，再多的样本来拟合，也不太会管用

• 高方差情况high variance(过拟合)

这种情况下，使用更多的样本是有帮助的

总结：
画出曲线，可以更容易看出是高偏差还是高方差的问题,然后来选择改进算法

7. Deciding What to Do Next Revisited

当我们发现方差或者偏差出了问题，我们应该怎么做？

• 如何和神经网络联系/
  

  如果发生过拟合，可以使用正则化
  但是，计算量更大。

• 如何选择hiding layer?
  想用多个隐藏层。可以尝试着数据分割。

---

总结：
Our decision process can be broken down as follows:

• Getting more training examples: Fixes high variance

• Trying smaller sets of features: Fixes high variance

• Adding features: Fixes high bias

• Adding polynomial features: Fixes high bias

• Decreasing λ: Fixes high bias

• Increasing λ: Fixes high variance.

Diagnosing Neural Networks

• A neural network with fewer parameters is prone to underfitting. It is also computationally cheaper.
• A large neural network with more parameters is prone to overfitting. It is also computationally expensive. In this case you can use regularization (increase λ) to address the over-fitting.

Using a single hidden layer is a good starting default. You can train your neural network on a number of hidden layers using your cross validation set. You can then select the one that performs best.

Model Complexity Effects:

• Lower-order polynomials (low model complexity) have high bias and low variance. In this case, the model fits poorly consistently.
• Higher-order polynomials (high model complexity) fit the training data extremely well and the test data extremely poorly. These have low bias on the training data, but very high variance.
• In reality, we would want to choose a model somewhere in between, that can generalize well but also fits the data reasonably well.