吴恩达deeplearning.ai课程系列笔记05（上）

#本文内容部分来自网络，只为自己学习以及分享供更多的人学习使用

1、训练、验证、测试集(Training set/dev set/test set)

• 训练集（train set）：用训练集对算法或模型进行训练过程；

• 验证集（development set）：利用验证集或者又称为简单交叉验证集（hold-out cross validation set）进行交叉验证，选择出最好的模型；

• 测试集（test set）：最后利用测试集对模型进行测试，获取模型运行的无偏估计。

在数据划分比例需要注意的问题：大数据时代，我们很容易有上百万甚至上千万的数据，这时假设我们使用训练集模拟出了若干个模型，现在需要比较不同模型的拟合效果，如果仍然将原数据的20%作为验证集，那么这将是一非常大的数据量，其实是没必要，因为一般来说只要选取一万或者几万(即1%-3%)的数据就可以了。

如果训练/测试集分布不匹配的时候，我们最好是让验证集数据与测试集数据同分布。

另外，如果确实没有测试集，在有些情况下（如果不需要用无偏估计来评估模型的性能）也是okay的，不过，验证集不可缺少。

2、偏差、方差

看图说话：

在欠拟合（underfitting）的情况下，出现高偏差（high bias）的情况；在过拟合（overfitting）的情况下，出现高方差（high variance）的情况。

现实情况中，我们要注意权衡bias和variance的关系。因为一味地追求低bias的时候，可能会发生过拟合的情况，而一味追求低variance的时候，又有可能会造成欠拟合的情况。

最好的情况应该属于图中间的情况，当bias和variance都位于可承受的范围之内的时候，才算达到了比较好的效果。

3、机器学习基础

• 上面图有点粗糙（o(╯□╰)o），稍微解释下：
• High bias ? 
  
  • 增加网络结构，如增加隐藏层数目或者隐藏层层数；
  • 训练更长时间；
  • 寻找合适的网络架构，使用更大的NN结构；
• High variance ？
  
  • 获取更多的数据；
  • 正则化（ regularization）；
  • 寻找合适的网络结构；

4、正则化

正则化是在 Cost function 中加入一项正则化项，惩罚模型的复杂度。

当方差较大出现过拟合的情况的时候，其实就是因为某些数据的权重过大，所以我们需要改善模型，使其更加平缓，这样才更具有普适性。

比较典型的用法为L2正则化，通过对参数进行衰减处理，使得方差在一定程度上减小

对于正则化的直观性理解：

如图所示，如果出现了图3中过拟合的现象，当我们给定一个较大的 λ值得shi

为了使得cost比较小，必然会减小w的值，这样就相当于弱化了很多神经元的影响，从来使得模型更加平缓。

至于数学上的解释：

从图中可以看出，当横坐标的值为0左右的时候，函数呈现比较明显的线性关系。

回到我们的正则化过程中来看，当正则化的w值变小，接近于0的时候，z=wx+b, z也是最小的时候，这样的情况下，**函数近似于线性函数，而整个模型则更加趋近于线性网络。