这个误差可以或许被拆分成误差和方差两个构成部分：

如今我们知道衡量误差和误差这件事了，然则若何改进我们的模型仍然有待讲究。我们的模型面对 严重偏离 和 高度变异 的时刻应当怎么处理？我们须要绘制模型的进修曲线来解答这个问题。

2.1 严重偏离

• 小练习样本：很小，并且很大年夜。
• 大年夜练习样本： 和都很大年夜，并且两者近似相等。

2.2 高度变异

• 小练习样本：很小，并且很大年夜。
• 大年夜练习样本：跟着练习集增长而变大年夜，并且持续减小，然则不会稳定。，并且他们之间的差距很明显。

我们已经明白，问题往往出在误差或者方差上。这时刻，我们要根据不合的情况，做出不合的决定。

3.1 严重偏离

• 选择更复杂的特点，高阶项或者增长节点。
• 减小正则参数。

3.2 高度变异

• 收集更多的练习数据来赞助模型获得更好的泛化。
• 减小特点集合的大年夜小。
• 增大年夜正则参数。

4. 机械进修流程

大年夜多半的机械进修体系都是由一个模型链构成的。平日情况下都邑有一种困境，你已经有了一个机械进修的管道，然则接下来一步应当做什么呢？上限分析在这里很有赞助。

　　推荐阅读

　　听说你了解深度学习最常用的学习算法：Adam优化算法？

深度进修经常须要大年夜量的时光和机算资本进行练习，这也是困扰深度进修算法开辟的重大年夜原因。固然我们可以采取分布式并行练习加快模型的进修，但所需的计算资本并没有涓滴削减。而唯>>>详细阅读

本文标题：如何改进手上的机器学习模型

地址：http://www.17bianji.com/lsqh/36190.html

 1/2    1