做网站框架显示不出来外贸销售工作内容
Python 深度学习 第5章 机器学习的核心问题泛化及如何提高模型的泛化能力实例
内容概要
第5章深入探讨了机器学习的核心问题：泛化。本章通过理论和实践相结合的方式，详细讲解了如何评估模型的泛化能力，以及如何通过各种方法提高模型的泛化性能。通过本章，读者将理解优化与泛化之间的平衡，并掌握改善模型拟合和泛化的最佳实践。
主要内容
-
泛化：机器学习的目标
- 泛化是指模型在未见过的数据上的表现。
- 优化是指模型在训练数据上的表现。
- 过拟合是机器学习中的普遍问题，发生在模型过于适应训练数据而无法泛化到新数据时。
-
欠拟合与过拟合
- 欠拟合：模型在训练数据上的表现不佳，通常是因为模型过于简单。
- 过拟合：模型在训练数据上的表现很好，但在验证数据上的表现开始下降。
- 过拟合的原因包括数据噪声、特征稀疏性、特征相关性等。
-
深度学习中的泛化本质
- 深度学习模型通过学习数据的潜在流形（manifold）来实现泛化。
- 流形假设：自然数据通常位于高维空间中的低维流形上。
- 泛化的关键在于模型能够通过插值在流形上进行预测。
-
模型评估方法
- 训练集、验证集和测试集的划分。
- 简单保留验证法、K折交叉验证和迭代K折交叉验证。
- 使用常识基线来评估模型性能。
-
改善模型拟合
- 调整梯度下降参数（学习率、批量大小）。
- 使用更好的架构先验。
- 增加模型容量。
-
提高泛化能力
- 数据集管理：确保数据质量、特征选择和特征工程。
- 早期停止（Early Stopping）。
- 模型正则化：减少网络规模、权重正则化（L1和L2）、Dropout。
关键代码和算法
5.2.1 简单保留验证法
num_validation_samples = 10000
np.random.shuffle(data)
validation_data = data[:num_validation_samples]
training_data = data[num_validation_samples:]
model = get_model()
model.fit(training_data, ...)
validation_score = model.evaluate(validation_data, ...)
5.2.2 K折交叉验证
k = 3
num_validation_samples = len(data) // k
np.random.shuffle(data)
validation_scores = []
for fold in range(k):validation_data = data[num_validation_samples * fold: num_validation_samples * (fold + 1)]training_data = np.concatenate([data[:num_validation_samples * fold], data[num_validation_samples * (fold + 1):]])model = get_model()model.fit(training_data, ...)validation_score = model.evaluate(validation_data, ...)validation_scores.append(validation_score)
validation_score = np.average(validation_scores)
5.3.1 调整学习率
model = keras.Sequential([layers.Dense(512, activation="relu"),layers.Dense(10, activation="softmax")
])
model.compile(optimizer=keras.optimizers.RMSprop(1e-2),loss="sparse_categorical_crossentropy",metrics=["accuracy"])
model.fit(train_images, train_labels,epochs=10,batch_size=128,validation_split=0.2)
5.4.3 早期停止
from tensorflow.keras.callbacks import EarlyStoppingmodel = keras.Sequential([layers.Dense(16, activation="relu"),layers.Dense(16, activation="relu"),layers.Dense(1, activation="sigmoid")
])
model.compile(optimizer="rmsprop",loss="binary_crossentropy",metrics=["accuracy"])
early_stopping = EarlyStopping(monitor="val_loss", patience=2)
history = model.fit(train_data, train_labels,epochs=20,batch_size=512,validation_split=0.4,callbacks=[early_stopping])
5.4.4 权重正则化
from tensorflow.keras import regularizersmodel = keras.Sequential([layers.Dense(16,kernel_regularizer=regularizers.l2(0.002),activation="relu"),layers.Dense(16,kernel_regularizer=regularizers.l2(0.002),activation="relu"),layers.Dense(1, activation="sigmoid")
])
model.compile(optimizer="rmsprop",loss="binary_crossentropy",metrics=["accuracy"])
history_l2_reg = model.fit(train_data, train_labels,epochs=20,batch_size=512,validation_split=0.4)
5.4.4 Dropout
model = keras.Sequential([layers.Dense(16, activation="relu"),layers.Dropout(0.5),layers.Dense(16, activation="relu"),layers.Dropout(0.5),layers.Dense(1, activation="sigmoid")
])
model.compile(optimizer="rmsprop",loss="binary_crossentropy",metrics=["accuracy"])
history_dropout = model.fit(train_data, train_labels,epochs=20,batch_size=512,validation_split=0.4)
精彩语录
-
中文：机器学习模型的目标是泛化，即在从未见过的数据上表现良好。
英文原文：The purpose of a machine learning model is to generalize: to perform accurately on never-before-seen inputs.
解释：这句话强调了机器学习的最终目标，即模型在新数据上的表现。 -
中文：深度学习模型通过学习数据的潜在流形来实现泛化。
英文原文：A deep neural network achieves generalization by learning a parametric model that can successfully interpolate between training samples.
解释：这句话解释了深度学习模型泛化的本质，即通过插值在流形上进行预测。 -
中文：机器学习的核心问题是优化与泛化之间的张力。
英文原文：The fundamental problem in machine learning is the tension between optimization and generalization.
解释：这句话总结了机器学习中的核心挑战，即如何在优化和泛化之间找到平衡。 -
中文：特征工程是使问题更简单的关键。
英文原文：The essence of feature engineering is making a problem easier by expressing it in a simpler way.
解释：这句话强调了特征工程的重要性，即通过更好的特征表示来简化问题。 -
中文：Dropout是一种有效的正则化技术，通过随机丢弃神经元来减少过拟合。
英文原文：Dropout is one of the most effective and most commonly used regularization techniques for neural networks.
解释：这句话介绍了Dropout的核心思想，即通过引入噪声来防止模型过拟合。
总结
通过本章的学习，读者将对机器学习中的泛化问题有一个清晰的理解，并掌握如何评估和提高模型的泛化能力。通过实践示例，读者可以学习如何使用Keras和TensorFlow实现模型评估、改善模型拟合和提高泛化性能。这些知识将为解决实际问题提供坚实的基础。