|
問題：當(dāng)我們訓(xùn)練出數(shù)據(jù)后，發(fā)現(xiàn)模型有太大誤差，怎么辦？ 既然選了ML這個(gè)方向，畢業(yè)入職后的工作也無(wú)外乎模型訓(xùn)練和調(diào)優(yōu)，大多數(shù)的時(shí)間將會(huì)用來(lái)解決上面的問題。于是，寫下這篇文章，作為以后解決問題的參考手冊(cè)，也算是為正式工作做一點(diǎn)點(diǎn)準(zhǔn)備。
1）鑒別是過擬合還是欠擬合的問題 當(dāng)發(fā)現(xiàn)訓(xùn)練出來(lái)的模型誤差太大的時(shí)候，首先考慮的就應(yīng)該是是否存在過擬合或者欠擬合的問題。但是，如何對(duì)二者進(jìn)行有效鑒別呢？最簡(jiǎn)單的方法就是分別計(jì)算crossvalidationerror(Jcv) 跟trainingerror(Jtrain)：當(dāng)Jcv跟Jtrain差不多且Jtrain較大時(shí)，當(dāng)前模型更可能存在欠擬合；當(dāng)Jcv遠(yuǎn)遠(yuǎn)大于Jtrain且Jtrain較小時(shí)，當(dāng)前模型更可能存在過擬合。 我們將整個(gè)數(shù)據(jù)集按照一定比例分為訓(xùn)練集和交叉驗(yàn)證集，假設(shè)訓(xùn)練集量為m，交叉驗(yàn)證集量為mcv。首先，我們利用m條訓(xùn)練集訓(xùn)練模型參數(shù)，并得到Jtrain；然后，將訓(xùn)練出的模型應(yīng)用于交叉驗(yàn)證集，得到Jcv。這里附上Jcv和Jtrain的計(jì)算方法： a）Jtrain的計(jì)算方法：
當(dāng)然，我們可以對(duì)數(shù)據(jù)集進(jìn)行多次劃分，看看Jcv和Jtrain是否在統(tǒng)計(jì)上滿足同一大小規(guī)律，確認(rèn)我們的判斷結(jié)果。 值得提醒的是，很多時(shí)候，我們?cè)诎l(fā)現(xiàn)模型結(jié)果不理想時(shí)，并沒有靜下心來(lái)認(rèn)真思考究竟是過擬合還是欠擬合，而是胡亂試用各種方法，缺乏針對(duì)性，導(dǎo)致調(diào)優(yōu)過程花費(fèi)了大量的時(shí)間。另外，在判斷過擬合和欠擬合上有很多其它看似更完美、更理論的方式，但是我覺得沒有太大的必要，簡(jiǎn)單地計(jì)算Jcv和Jtrain通常已經(jīng)能準(zhǔn)確定位問題了，性價(jià)比顯然最高。 2）如果存在欠擬合，怎么辦？ 我相信，大多數(shù)時(shí)候，一開始，我們的算法會(huì)是欠擬合的。所以，如果你發(fā)現(xiàn)你的算法欠擬合后，恭喜你，你的調(diào)優(yōu)工作才剛剛開始，也就是說(shuō)，你的模型還差得遠(yuǎn)呢。正是因?yàn)槿绱?，每次我的模型出現(xiàn)過擬合后，我都會(huì)開心一陣子，說(shuō)明問題不大了。 解決欠擬合問題有以下幾種方法。 a）添加其他特征 一直以來(lái)覺有有句話說(shuō)得很有道理：“在機(jī)器學(xué)習(xí)里，特征決定了準(zhǔn)確率的上限，而算法決定了結(jié)果趨近于上限的程度”。這句話也可以翻譯成：“巧婦難為無(wú)米之炊”。特征是米，每個(gè)不同的機(jī)器學(xué)習(xí)算法就是做飯的巧婦。很多人在公司（特別是大公司）待一段時(shí)間后，不免都會(huì)有一點(diǎn)點(diǎn)失望。因?yàn)樗麄儼l(fā)現(xiàn)，公司里的很多“機(jī)器學(xué)習(xí)/數(shù)據(jù)挖掘工程師”或者“算法工程師”每天的工作，不過都是在不停地發(fā)現(xiàn)和調(diào)研新的特征來(lái)添加進(jìn)原有的算法框架里，以提升算法的準(zhǔn)確率，而不是發(fā)明一些更牛逼、高大上的算法來(lái)替換掉原有的算法框架。當(dāng)然，研究高大上的算法的人有，但并不是那么多。我這里只是想說(shuō)明特征很重要，而且，調(diào)研新的更有效的特征是機(jī)器學(xué)習(xí)里永無(wú)止境的有效工作。 不同的應(yīng)用環(huán)境有不同的特征，下面是做搜索排序可能用到的一些特征類別，并不全，只是舉個(gè)例子提供思路參考。 在這里，特別說(shuō)明一下，“組合”、“泛化”、“相關(guān)性”三類特征是特征添加的重要手段，無(wú)論在什么場(chǎng)景，都可以照葫蘆畫瓢，總會(huì)得到意想不到的效果。除上面的特征之外，“上下文特征”、“平臺(tái)特征”等等，都可以作為特征添加的首選項(xiàng)。 b）添加多項(xiàng)式特征 這句話的意思其實(shí)就是提高模型的復(fù)雜度，增加模型的表達(dá)空間。例如，將原來(lái)的線性模型，通過特征添加，變?yōu)槎位蛉文Ｐ?。?dāng)然，這里并不需要改變本身的訓(xùn)練算法，只需要在原有的特征空間里添加相應(yīng)的高次項(xiàng)特征即可。例如，原來(lái)有個(gè)特征x，可以將x^2或者x^3作為一個(gè)新的特征放到原來(lái)的線性系統(tǒng)里進(jìn)行訓(xùn)練。 c）減小正則化參數(shù) 正則化的目的就是防止模型過擬合，現(xiàn)在模型出現(xiàn)了欠擬合，當(dāng)然可以通過減小正則化參數(shù)的方法來(lái)避免欠擬合，不需要多解釋。 3）如果存在過擬合，怎么辦？ 學(xué)術(shù)界關(guān)于過擬合的研究很多，這是因?yàn)檫@個(gè)主題會(huì)更理論一些，看起來(lái)更有技術(shù)含量一些。 解決過擬合問題有一下幾種方法： a）訓(xùn)練集選用更多樣本 雖然我不同意“對(duì)于機(jī)器學(xué)習(xí)，樣本數(shù)量越大訓(xùn)練出來(lái)的分類器正確率越高”這句話，但是如果樣本量不足是肯定會(huì)有問題的。舉個(gè)極端的例子，如果我們只有三個(gè)訓(xùn)練樣本，很容易得到一個(gè)訓(xùn)練誤差為0的模型，但是實(shí)際誤差卻很大，也就是過擬合問題。所以，選擇更多的樣本有可能在一定程度上解決過擬合的問題。但是，這種方法不一定每次都會(huì)奏效。首先，更多的樣本并不一定那么容易得到，很多時(shí)候樣本的獲得是需要很大成本的；其次，即使能夠得到，也得考慮時(shí)間、空間復(fù)雜度的問題，我們的算法平臺(tái)是否允許這么大的樣本量；最后，即使前面兩個(gè)條件都允許，也不一定增加訓(xùn)練樣本就能提高模型準(zhǔn)確率，這也是為什么一開始我說(shuō)我不同意“對(duì)于機(jī)器學(xué)習(xí)，樣本數(shù)量越大訓(xùn)練出來(lái)的分類器正確率越高”這句話的原因。一開始，隨著樣本量的增加，模型準(zhǔn)確率肯定會(huì)相應(yīng)增加，但是，當(dāng)樣本量達(dá)到一定程度（飽和）后，樣本量的增加是沒有意義的，這個(gè)時(shí)候就需要用其他方法實(shí)現(xiàn)準(zhǔn)確率的提升。 b）采用更小的特征集 不僅特征的次數(shù)彰顯了模型的復(fù)雜度，特征集的維數(shù)也一樣彰顯了模型的復(fù)雜度。所以，采用更小的特征集，可以解決過擬合的問題。一般，減小特征集的方法有：特征選擇和特征抽取。二者的區(qū)別是：特征選擇是指在原有的特征中選擇一部分特征來(lái)用，拋棄不重要的特征，新的特征集是原特征集的子集。詳細(xì)的特征選擇方法介紹可以參考這里：http://www.cnblogs.com/heaad/archive/2011/01/02/1924088.html；特征抽取是指通過原有的高維特征構(gòu)建新的特征，新的特征維度遠(yuǎn)遠(yuǎn)低于原有特征的維度，新的每一維特征都是原有所有特征的加權(quán)組合。最常見的特征抽取方法有主成分分析（PCA）和因子分析。 c）增大正則化參數(shù) 正則化的目的就是防止模型過擬合，這里不解釋。 d）減小模型復(fù)雜度，降低模型階次（不推薦） 前往“CSDN知識(shí)庫(kù)”獲取【機(jī)器學(xué)習(xí)】圖譜和更多優(yōu)質(zhì)內(nèi)容 |
|
|
