目录
一、数据集划分
1、交叉验证
2、不平衡数据的处理
代价敏感学习
二、评价指标
三、正则化、偏差和方差
为什么要标准化/归一化？
过拟合的处理——Dropout
过拟合的处理——Early stopping
过拟合的处理——数据增强
偏差和方差
编辑
一、数据集划分
- 训练集（Training Set）：帮助我们训练模型，简单的说就是通过训练集的数据让我们确定拟合曲线的参数。
- 验证集（Validation Set）：也叫做开发集（ Dev Set ），用来做模型选择（model selection），即做模型的最终优化及确定的，用来辅助我们的模型的构建，即训练超参数，可选；
- 测试集（Test Set）： 为了测试已经训练好的模型的精确度。
- 三者划分：训练集、验证集、测试集
- 机器学习：60%，20%，20%；70%，10%，20%
- 深度学习：98%，1%，1% （假设百万条数据）
1、交叉验证
1. 使用训练集训练出k个模型
2. 用k个模型分别对交叉验证集计算得出交叉验证误差（代价函数的值）
3. 选取代价函数值最小的模型
4. 用步骤3中选出的模型对测试集计算得出推广误差（代价函数的值）
2、不平衡数据的处理
数据不平衡是指数据集中各类样本数量不均衡的情况.
常用不平衡处理方法有采样和代价敏感学习
采样有欠采样、过采样和综合采样的方法.
代价敏感学习
代价敏感学习是指为不同类别的样本提供不同的权重，从而让机器学习模型进行学习的一种方法
比如风控或者入侵检测，这两类任务都具有严重的数据不平衡问题，可以在算法学习的时候，为少类样本设置更高的学习权重，从而让算法更加专注于少类样本的分类情况，提高对少类样本分类的查全率，但是也会将很多多类样本分类为少类样本，降低少类样本分类的查准率。
二、评价指标
1. 正确肯定（True Positive,TP）： 预测为真，实际为真
2. 正确否定（True Negative,TN）：预测为假，实际为假
3. 错误肯定（False Positive,FP）： 预测为真，实际为假
4. 错误否定（False Negative,FN）：预测为假，实际为真
混淆矩阵（confusion_matrix）
有100张照片，其中，猫的照片有60张，狗的照片是40张。
输入这100张照片进行二分类识别，找出这100张照片中的所有的猫。
- 正例（Positives）：猫
- 负例（Negatives）：狗
识别结果的混淆矩阵
1、正确率（Accuracy）=(TP+ TN)/S
TP+ TN =70，S= 100，则正确率为： Accuracy =70/100=0.7
2、精度（Precision）=TP/(TP+ FP)
TP=40，TP+ FP=50。 Precision =40/50=0.8
3、召回率（Recall）=TP/(TP+ FN)
TP=40，TP+FN =60。则召回率为： Recall =40/60=0.67
ROC和PR曲线
三、正则化、偏差和方差
为什么要标准化/归一化？
提升模型精度：不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。
加速模型收敛：最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解。
之前介绍过，过拟合可以通过正则化来处理，这里我们介绍另外几种方法
过拟合的处理——Dropout
Dropout的功能类似于L2正则化，与L2正则化不同的是，被应用的方式不同，dropout也会有所不同，甚至更适用于不同的输入范围
keep-prob=1(没有dropout) keep-prob=0.5(常用取值，保留一半神经元)
在训练阶段使用，在测试阶段不使用！
过拟合的处理——Early stopping
Early stopping代表提早停止训练神经网络
Early stopping的优点是，无需尝试L2正则化超参数λ的很多值。
过拟合的处理——数据增强
数据增强：随意翻转和裁剪、扭曲变形图片
偏差和方差
偏差Bias：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据，如上图第二行所示。
方差Variance： 描述的是预测值的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散，如上图右列所示。
方差、偏差和模型复杂度
下图是模型复杂度与误差的关系，一般来说，随着模型复杂度的增加，方差会逐渐增大，偏差会逐渐减小，在虚线处，差不多是模型复杂度的最恰当的选择，其“偏差”和“方差”也都适度，才能“适度拟合”。
1. 获得更多的训练实例——解决高方差
2. 尝试减少特征的数量——解决高方差
3. 尝试获得更多的特征——解决高偏差
4. 尝试增加多项式特征——解决高偏差
5. 尝试减少正则化程度λ——解决高偏差
6. 尝试增加正则化程度λ——解决高方差
