本文共 980 字，大约阅读时间需要 3 分钟。

title: ‘DeepLearning.ai笔记:(3-1)-- 机器学习策略(1)(ML strategy)’

• categories:
• AI
• Deep Learning
  date: 2018-09-20 16:48:41

首发于个人博客:，欢迎来访

正交化

在设计过程中，最好是保证几个变量相互独立，也就是正交。就好比你在开车的时候，油门和方向盘是相互独立的。如果方向盘和油门不独立，当你调整方向盘的时候速度也在变化，就很难受了。

所以在监督学习中，以下几个应该正交：

• 损失函数应该在训练集上表现很好
  • 否则，就使用更大的神经网络，或者使用更好的优化算法
• 在验证集上表现很好
  • 否则，就用正则化或者训练集上要更多的数据
• 在测试机上表现很好
  • 否则，就使用更大的验证集
• 现实中表现很好
  • 否则，就检查一下验证集是不是对的，损失函数是不是好的

单一数字评估指标

在训练模型中，当然需要一种指标来评估一下模型是不是好的。

一般使用两个参数：

• 准确率p：在预测的数据中，是正确的概率
• 召回率r：在真实数据中，预测是正确的概率

一般用F1 Score把两个指标给统一起来：

$$F1-Score=\frac{2}{\frac{1}{p}+\frac{1}{r}}$$

满足和优化指标

一般，满足指标都是一个区间范围，比如时间上只要小于100ms就可以，这样子，就在满足满足指标的情况下，选择最优指标（如精确度最高）最好的那个模型。

训练/验证/测试集的划分

应该使验证集和测试集的数据满足统一分布。

与人类表现比较

可避免的偏差

我们训练出来的结果，应该和人类表现作比较，如果差距比较小，那么说明很接近了，如果差距比较大，应该着重优化缩小这个可避免的偏差。

如图，左边说明应该着重减小bias，右边应该着重减小variance

改善模型的表现

减少bias：

• 训练更大的模型
• 更长的时间，更优化的算法（Momentum，RMSprop，Adam）
• 寻找更好的网络架构、更好的参数

减少variance：

• 收集更多的数据
• 正则化
• 更好的架构和参数

转载地址：http://lerii.baihongyu.com/