1.1 训练 / 开发 / 测试集

机器学习的应用是个高度迭代的过程
image.png
数据集的划分：训练集、开发集及测试集
image.png
训练集和测试集的分布应该相同（匹配）
例如：在“识猫”应用中，若训练时使用高清图片，而开发、测试时使用低清晰度、较模糊的图片，则模型的可靠性值得怀疑
image.png

1.2 偏差 / 方差

image.png
image.png
image.png

1.3 机器学习基本流程

注：高偏差（high bias）：训练集错误率高，相当于欠拟合（underfitting）
高方差（high various）：训练集错误率低，但验证集（开发集）错误率高，相当于过拟合（overfitting）
在深度学习中，如果模型中使用更大规模的网络，有利于消除高偏差，但并不用担心会引起高方差的问题。又比如，如果使用更多的数据，有利于消除高方差，但并不用担心会引起高偏差的问题。可以说，在深度学习中，高偏差和高方差的对立相比早期机器学习时期有所缓解，不再需要强调偏差——方差的权衡（bias - various tradeoff）。
image.png

1.4 正则化

Logistic回归的正则化
image.png

神经网络的正则化
image.png

1.5 为什么正则化可以降低过拟合？

两个直观说明：

  1. 假设正则化系数λ很大，则成本函数J中的权重系数可忽略不计，即趋近于零，相当于消除了网络中部分神经元，从而有利于降低过拟合。
  2. 若激活函数为tanh，正则化系数λ增加后，权重系数倾向于减少，相当于将线性运算结果z的范围控制在tanh函数中心位置区域。而这块区域是比较“线性”的，从而可以减轻模型过拟合的程度。

image.png
image.png