机器学习-模型验证

验证泛化误差

• 在一个数据集上估计误差，数据集只能使用一次
• 验证数据集：可以被使用多次
  基本是训练数据集中的一部分
  当使用“test”时，大多数时候指的是验证数据集

生成验证数据集方法

1、数据随机分入训练集或验证集
总是随机选n%的数据作为验证集
n=50，40，30，20，10
当分离非独立同分布的数据时要额外注意

• 时序性数据：房价、股票价格等
  验证集应该在训练集之后
• 属于同一组的样例：相同人的照片
  在组之间分
• 不平衡的数据
  对小的类采样率要高
  2、K折交叉验证
• 适用于数据不充足的数据
• 算法：
  将数据集分成K份
  对i=1，2，…，K
  使用第i份数据作为验证集，其他作为训练集
• 一般K=5或10

常见错误

• 90%以上极好的结果是由于bug存在
• 验证集中有训练集的样本
  原始数据中有重复的数据
  在数据融合时常发生：将从搜索引擎中找到的图片用于验证模型
• 信息泄露
  经常发生于非独立同分布的数据：用未来预测过去