专栏首页SnailTyan动手学深度学习(二)——欠拟合和过拟合

动手学深度学习(二)——欠拟合和过拟合

版权声明:博客文章都是作者辛苦整理的,转载请注明出处,谢谢! https://blog.csdn.net/Quincuntial/article/details/79416240

文章作者:Tyan 博客:noahsnail.com | CSDN | 简书

注:本文为李沐大神的《动手学深度学习》的课程笔记!

欠拟合和过拟合

训练误差和泛化误差

机器学习模型在训练数据集上表现出的误差叫做训练误差,在任意一个测试数据样本上表现出的误差的期望值叫做泛化误差。

统计学习理论的一个假设是:训练数据集和测试数据集里的每一个数据样本都是从同一个概率分布中相互独立地生成出的(独立同分布假设)。

一个重要结论是:训练误差的降低不一定意味着泛化误差的降低。机器学习既需要降低训练误差,又需要降低泛化误差。

欠拟合和过拟合

  • 欠拟合:机器学习模型无法得到较低训练误差。
  • 过拟合:机器学习模型的训练误差远小于其在测试数据集上的误差。

模型的选择

模型拟合能力和误差之间的关系如下图:

训练数据集的大小

一般来说,如果训练数据集过小,特别是比模型参数数量更小时,过拟合更容易发生。除此之外,泛化误差不会随训练数据集里样本数量增加而增大。

多项式拟合

给定一个标量数据点集合x和对应的标量目标值y,多项式拟合的目标是找一个K阶多项式,其由向量w和位移b组成,来最好地近似每个样本xy。用数学符号来表示就是我们将学wb来预测

ŷ =b+∑k=1Kxkwky^=b+∑k=1Kxkwk

\hat{y} = b + \sum_{k=1}^K x^k w_k

并以平方误差为损失函数,一阶多项式拟合又叫线性拟合。

创建数据集

使用二阶多项式来生成每一个数据样本,y=1.2x−3.4x2+5.6x3+5.0+noisey=1.2x−3.4x2+5.6x3+5.0+noisey=1.2x−3.4x^2+5.6x^3+5.0+noise,噪音服从均值0和标准差为0.1的正态分布。

# 导入mxnet
import mxnet as mx

# 设置随机种子
mx.random.seed(2)

from mxnet import gluon
from mxnet import ndarray as nd
from mxnet import autograd
# 训练数据数量
num_train = 100
# 测试数据数量
num_test = 100
# 多项式权重
true_w = [1.2, -3.4, 5.6]
# 多项式偏置
true_b = 5.0
# 生成随机数据x
x = nd.random.normal(shape=(num_train + num_test, 1))
# 计算x的多项式值
X = nd.concat(x, nd.power(x, 2), nd.power(x, 3))
# 计算y
y = true_w[0] * X[:, 0] + true_w[1] * X[:, 1] + true_w[2] * X[:, 2] + true_b
# 查看数据
('x:', x[:5], 'X:', X[:5], 'y:', y[:5])
(200L,)

定义训练和测试步骤

%matplotlib inline
import matplotlib as mpl
mpl.rcParams['figure.dpi']= 120
import matplotlib.pyplot as plt

# 定义训练过程
def train(X_train, X_test, y_train, y_test):
    # 定义线性回归模型
    net = gluon.nn.Sequential()
    with net.name_scope():
        net.add(gluon.nn.Dense(1))
    # 权重初始化
    net.initialize()
    # 学习率
    learning_rate = 0.01
    # 迭代周期
    epochs = 100
    # 训练的批数据大小
    batch_size = min(10, y_train.shape[0])
    # 创建训练数据集
    dataset_train = gluon.data.ArrayDataset(X_train, y_train)
    # 读取数据
    data_iter_train = gluon.data.DataLoader(dataset_train, batch_size, shuffle=True)
    # 训练方法SGD
    trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': learning_rate})
    # 定义损失函数
    square_loss = gluon.loss.L2Loss()
    # 训练损失
    train_loss = []
    # 测试损失
    test_loss = []
    # 进行训练
    for e in range(epochs):
        for data, label in data_iter_train:
            with autograd.record():
                # 进行预测
                output = net(data)
                # 计算预测值与实际值之间的损失
                loss = square_loss(output, label)
            # 损失进行反向传播
            loss.backward()
            # 更新权重
            trainer.step(batch_size)
        # 保存训练损失
        train_loss.append(square_loss(net(X_train), y_train).mean().asscalar())
        # 保存测试损失
        test_loss.append(square_loss(net(X_test), y_test).mean().asscalar())
    # 绘制损失
    plt.plot(train_loss)
    plt.plot(test_loss)
    plt.legend(['train','test'])
    plt.show()
    return ('learned weight', net[0].weight.data(), 'learned bias', net[0].bias.data())

三阶多项式拟合(正常)

train(X[:num_train, :], X[num_train:, :], y[:num_train], y[num_train:])
('learned weight', 
 [[ 1.22117233 -3.39606118  5.59531116]]
 <NDArray 1x3 @cpu(0)>, 'learned bias', 
 [ 4.98550272]
 <NDArray 1 @cpu(0)>)

线性拟合(欠拟合)

train(x[:num_train, :], x[num_train:, :], y[:num_train], y[num_train:])
('learned weight', 
 [[ 19.74101448]]
 <NDArray 1x1 @cpu(0)>, 'learned bias', 
 [-0.23861444]
 <NDArray 1 @cpu(0)>)

训练量不足(过拟合)

train(X[0:2, :], X[num_train:, :], y[0:2], y[num_train:])
('learned weight', 
 [[ 3.10832024 -0.740421    4.85165691]]
 <NDArray 1x3 @cpu(0)>, 'learned bias', 
 [ 0.29450524]
 <NDArray 1 @cpu(0)>)

结论

  • 训练误差的降低并不一定意味着泛化误差的降低。
  • 欠拟合和过拟合都是需要尽量避免的。我们要注意模型的选择和训练量的大小。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 动手学深度学习(二)——正则化(gluon)

    版权声明:博客文章都是作者辛苦整理的,转载请注明出处,谢谢! https://blog.csdn....

    Tyan
  • Python的命令行参数解析

    命令行参数解析在编程语言中基本都会碰到,Python中内置了一个用于命令项选项与参数解析的模块argparse。下面主要介绍两种解析Python命令行参数的方式...

    Tyan
  • Leetcode 797. All Paths From Source to Target

    版权声明:博客文章都是作者辛苦整理的,转载请注明出处,谢谢! https://blog.csdn....

    Tyan
  • Radial Basis Function Network

    使用高斯核函数方式把数据维度扩展到无限维度进而得到一条粗壮的分界线。仔细看一下这个分割函数,其实就是一些Gaussian函数的线性组合,y就是增长的方向。 ...

    西红柿炒鸡蛋
  • Radial Basis Function Network

    使用高斯核函数方式把数据维度扩展到无限维度进而得到一条粗壮的分界线。仔细看一下这个分割函数,其实就是一些Gaussian函数的线性组合,y就是增长的方向。 ...

    西红柿炒鸡蛋
  • Pytorch实战Kaggle房价预测比赛

    这是分享的第一个Kaggle比赛,也是Kaggle中难度最低的比赛之一,房价预测是一个回归问题,给出了房子的一些特征要求预测房子的价格。本文使用Pytorch构...

    BBuf
  • 《模式识别与智能计算》模板匹配法

    模板匹配法说白就是特征一一对应,将数据每个特征相差加起来,然后总的特征值最小的就是相似度最大的

    用户4492257
  • 《模式识别与智能计算》基于PCA的模板匹配法

    用户4492257
  • 《模式识别与智能计算》基于类中心的欧式距离法分类

    算法过程: 1 选取某一样本 2 计算类中心 3 计算样本与每一类的类中心距离,这里采用欧式距离 4 循环计算待测样品和训练集中各类中心距离找出距离待测...

    用户4492257
  • TIANCHI-津南数字制造算法挑战赛【赛场一】基本分析&Baseline

    有趣的是,训练集中缺失值比较多的A23和A21在测试集中并无缺失,同样地,测试集中缺失概率达67%的A25、A27和A20反而在训练集中并无缺失。(此处作者笔误...

    机器学习理论与数据竞赛实战

扫码关注云+社区

领取腾讯云代金券

玩转腾讯云 有奖征文活动