斯坦福大学公开课机器学习（ advice for applying machine learning | deciding what to try next(revisited)（针对高偏差高方差问） _机器学习

枕上诗书闲处好，门前风景雨来佳。这篇文章主要讲述斯坦福大学公开课机器学习： advice for applying machine learning | deciding what to try next(revisited)（针对高偏差高方差问相关的知识，希望能为你提供帮助。
针对高偏差、高方差问题的解决方法：
1、解决高方差问题的方案：增大训练样本量、缩小特征量、增大lambda值
2、解决高偏差问题的方案：增大特征量、增加多项式特征（比如x1*x2,x1的平方等等）、减少lambda值

文章图片

隐藏层数的选择对于拟合效果的影响：
隐藏层数过少，神经网络简单，参数少，容易出现欠拟合；
隐藏层数过多，神经网络复杂，参数多，容易出现过拟合，同时计算量也庞大。

文章图片

事实上，如果经常应用神经网络，特别是大型神经网络的话，会发现越大型的网络性能越好，如果发生了过拟合，可以使用正则化的方法来修正过拟合。使用一个大型的神经网络，并使用正则化来修正过拟合问题，通常比使用一个小型的神经网络效果更好。
最后，我们需要确定隐藏层的层数。默认的情况是使用一个隐藏层是比较合理的选择，但是如果你想要选择一个最合适的隐藏层层数，你也可以试试把数据分割为训练集、验证集和测试集，然后试试使用一个隐藏层的神经网络来训练模型。然后试试两个、三个隐藏层，以此类推。然后看看哪个神经网络在交叉验证集上表现得最理想。也就是说你得到了三个神经网络模型，分别有一个、两个、三个隐藏层。然后你对每一个模型，都用交叉验证集数据进行测试，算出三种情况下的交叉验证集误差Jcv，然后选出你认为最好的神经网络结构。
【斯坦福大学公开课机器学习（ advice for applying machine learning | deciding what to try next(revisited)（针对高偏差高方差问）】