机器学习之——归一化
之前我们讨论了几个机器学习的模型,线性回归模型(Linear Regression)和逻辑回归模型(Logistic Regression),这一次我们讨论一下关于模型数据拟合的问题以及归一化方法(Regularization)。
过拟合问题(The Problem of Overfitting)
如果我们有非常非常多的特征,我们通过学习得到的假设可能会非常适应训练集(代价函数的值可能几乎为0),但是这样的假设能不能推广使用到新的数据呢?下面有一些例子:
从左至右来看,第一个模型是一个线性模型,拟合度很低,也称作低度拟合(Underfitting),不能很好地适应我们的训练集;第三个模型,是一个四次方的模型,属于过度拟合,虽然能够很好地适应我们的训练集数据,但是在新输入变量进行预测的时候,可能效果会很差;而第二个模型,似乎是最合适的模型。
在分类问题(Classification)中,也存在这样的问题:
最后一个模型就是过度拟合的情况。
那么问题出现了,如果我们发现了这样过度拟合的情况,如何处理?
思考后,有两种方式:
1,丢弃一些不能帮助我们正确预测的特征。
可能是手工选择保留哪些特征 或者使用一些模型选择的算法来帮忙(例如 PCA) 2,归一化 保留所有的特征,但是减少参数的大小(Magnitude)归一化代价函数(Regularization Cost Function)
上面的回归问题中,如果我们使用的模型是:
我们决定要减小ø3和ø4的大小,我们需要做的就是修改代价函数,在其中ø3和ø4的身上,设置一些惩罚(Punishment)。这样做的话,我们在尝试最小化代价时,也需要将这个惩罚代入考虑中,并最终导致选择小一些的ø3和ø4 。 修改之后的代价函数如下:
这样,通过代价函数选择出的ø3和ø4对整个预测结果的影响就比之前小了很多。
加入我们有非常多的特征,我们并不知道其中哪些特征是我们要惩罚的,我们将对所有特征进行惩罚,并且让代价函数最优化的方法来选择惩罚的程度。这样的结果,就得到了一个较为简单的能够防止过度拟合问题的假设:
其中λ又称为归一化参数(Regularization Parameter)。
这里注意:根据惯例,我们不会对ø0进行惩罚。
经过归一化处理的模型与原模型的对比可能如下图:
如果选择的归一化参数λ过大,就会把所有参数都最小化了,这样导致模型hø(x)=ø0也就是上图中的红色直线的情况,数据就属于低度拟合。
下回我们讨论,线性逻辑模型的归一化和逻辑回归模型的归一化。
归一化化定义:我是这样认为的,归一化化就是要把你需要处理的数据经过处理后(通过某种算法)限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便,其次是保正程序运行时收敛加快。 数据归一化的目的是为了把不同来源的数据统一到一个参考系下,这样比较起来才有意义。 数据归一化,很重要。比如在用SVM分类时,数据尺度不统一对分类准确率影响很大。归一化一般将数据规整到一个小范围之间,如[0,
之前的博客里,跟大家分享了归一化(Regularization)的概念:保留所有的特征,但是减小参数的大小(Magnitude)。 这一次捏,跟大家讨论讨论,归一化线性回归模型和归一化逻辑回归模型。 首先跟大家明确一件事,为什么有些机器学习的模型需要用到归一化这个方法呢?答案有两条:
python机器学习数据建模与分析——数据预测与预测建模 机器学习的预测建模在多个领域都具有重要的应用价值,包括个性化推荐、商品搜索、自动驾驶、人脸识别等。本篇文章将带领大家了解什么是预测建模
python机器学习——朴素贝叶斯算法笔记详细记录 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型(Naive Bayesian Model,NBM)。和决策树模型相比,朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。
python机器学习课程——决策树全网最详解超详细笔记附代码 决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法,首先对数据进行处理,利用归纳算法生成可读的规则和决策树,然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树方法最早产生于上世纪60年代,到70年代末。由J Ross Quinlan提出了ID3算法,此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进,对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进,既适合于分类问题,又适合于回归问题。决策树算法构造决策
相关文章
- ML - AutoML(自动化机器学习)
- 机器学习入门12 - 分类 (Classification)
- 机器学习笔记 - 深度学习的预处理和图像白化
- 机器学习笔记 - 使用TensorFlow进行音乐生成
- 机器学习笔记 - 参加Kaggle手写体数字识别(MNIST)竞赛并提交预测结果
- 机器学习笔记 - TransUNet 用于医学图像分割的编码器
- 机器学习笔记 - ENet论文解读
- 机器学习笔记 - 机器学习中的聚类算法
- 机器学习之——神经网络学习
- 机器学习之——归一化线性回归与归一化逻辑回归
- 机器学习之——归一化
- 【原创】机器学习之PageRank算法应用与C#实现(1)算法介绍
- XAI/ML:机器学习模型可解释性之量化特征贡献度(特征重要性)的函数详解(feature_importances_/plot_partial_dependence/permutation_impor
- ML&DL:机器学习和深度学习中超参数优化的简介、评估指标、过拟合现象、常用的调参优化方法之详细攻略
- Paper:《Multimodal Machine Learning: A Survey and Taxonomy,多模态机器学习:综述与分类》翻译与解读
- 【华为云分享】机器学习笔记(七) ---- 贝叶斯分类
- 干货!分享 10 个用于并行和分布式机器学习任务的Python框架
- 【Designing ML Systems】第 11 章 :机器学习的人性方面
- 【阶段三】Python机器学习03篇:机器学习中的函数、机器学习中的梯度下降、机器学习的数据结构:张量与机器学习概率与统计基础
- 机器学习: k-means聚类对数据进行预分类
- 机器学习——极大似然估计
- 利用机器学习进行DNS隐蔽通道检测——数据收集,利用iodine进行DNS隐蔽通道样本收集
- 【机器学习】Python详细实现基于欧式Euclidean、切比雪夫Chebyshew、曼哈顿Manhattan距离的Kmeans聚类
- 【机器学习】P问题、NP问题、NP-hard、NP-C问题解析与举例理解
- 点云算法好书推荐(3D Point Cloud Analysis 传统、深度学习和可解释的机器学习方法)附下载链接
- 机器学习使用记录(A-1):