機(jī)器學(xué)習(xí)的套路

• 1.model如何對(duì)現(xiàn)實(shí)的場(chǎng)景進(jìn)行抽象
• 2.model如何對(duì)參數(shù)進(jìn)行求解
• 3.model的效果如何評(píng)價(jià)

1.抽象

例如線性回歸，就是認(rèn)為預(yù)測(cè)變量y和特征X之間存在線性關(guān)心，老掉牙的例子就是房?jī)r(jià)和地區(qū)收入，人口密度等等的線性關(guān)系
線性回歸的數(shù)學(xué)假設(shè)有兩個(gè)部分：
1. y的預(yù)測(cè)值是數(shù)據(jù)特征的線性變換。這里的參數(shù)是一組系數(shù)。而y的系數(shù)和數(shù)據(jù)特征的線性組合。
2.y的預(yù)測(cè)值和實(shí)際值之間存在一個(gè)誤差，這個(gè)誤差是符合正太分布的

2.參數(shù)求解

參數(shù)求解每個(gè)模型都不一樣，一般通用的就是SGD和各種變種
還以上面的線性回歸為例，求解的參數(shù)就是y=Wx中的W

3.評(píng)價(jià)

評(píng)價(jià)模型的效果好不好，均方誤差，logloss等等
上面的線型模型因?yàn)榧僭O(shè)預(yù)測(cè)值和實(shí)際值的誤差是符合正太分布，所以一般用均方誤差

總結(jié)

第一步抽象很重要，第二步作為普通人主要是使用現(xiàn)成的算法進(jìn)行參數(shù)求解，第三步往往已經(jīng)在實(shí)際的生產(chǎn)環(huán)境中確定了模型的評(píng)價(jià)標(biāo)準(zhǔn)
一般的經(jīng)驗(yàn)是在用一個(gè)模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練的時(shí)候，如果訓(xùn)練集上欠擬合，可能是模型的表征能力不行對(duì)應(yīng)；如果在測(cè)試集上過(guò)擬合，那可能就是模型的表征能力太強(qiáng)，噪聲都被學(xué)習(xí)了。至于模型的迭代和改進(jìn)這又是另一個(gè)問(wèn)題了。

轉(zhuǎn)載于:https://www.cnblogs.com/peinwu/p/10070191.html

總結(jié)

以上是生活随笔為你收集整理的机器学习套路三步走的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。