深度学习模型训练之偏差与方差

此篇 TensorFlow简要教程及线性回归算法示例 介绍了使用TensorFlow进行机器学习的基本流程，此篇 介绍一个快速确定神经网络模型中各层矩阵维度的方法  介绍了在设计神经网络的时候怎么确定各层矩阵的维度(矩阵的行数与列数)，接下来就可以开始训练模型了，在训练模型的过程中，怎么衡量模型的好坏呢？通常用模型与真实之间的误差来表示，误差由 偏差 和 方差 两部分组成。

 

Bias(偏差)

模型在样本上的输出与真实值之间的误差，即模型本身的精准度，反应出算法的拟合能力。

Variance(方差)

模型每一次输出结果与模型输出期望之间的误差，即模型的稳定性，反应出预测的波动情况。

 

偏差 与 方差 的关系

偏差与方差之间按照高低，可以组合成四种关系，如下图所示

上图中 偏离 红色靶心 的蓝点 越多、越远，表示模型越差。

1、低偏差 低方差

表示模型既准确又稳定，效果最好，但是现实中这种情形很少遇见。

2、低偏差 高方差

表示模型准确但是稳定性差，对验证数据&测试数据的拟合能力差，即是模型的泛化能力差，产生了 过拟合(Overfitting)。

3、高偏差 低方差

表示模型的准确度差，对数据的拟合能力弱，产生了 欠拟合(Underfitting)。

4、高偏差 高方差

表示模型既不准确又不稳定。

 

过拟合 与 欠拟合

由上面的分析可知，高方差往往预示着过拟合，高偏差则是欠拟合。

 

避免欠拟合(拟合太差)

1、增加训练样本数据

2、设计更复杂的神经网络模型(加深、加宽等)

3、增加迭代次数

4、更好的优化函数

5、调整超参数值

 

避免过拟合(拟合过度，泛化太差)

1、设计更简单的神经网络模型

2、增加训练样本数据

3、正则化。在损失函数后面添加L2正则项

4、使用dropout。dropout的作用是随机地使得网络中的部分神经元失效，效果上类似将模型变得更简单。

5、调整超参数值
6、尝试其他模型

7、提前结束训练(early stopping)。即是提前结束优化损失函数。

 

简单小结

在实际的模型训练中，通常可以按下面的来操作

贝叶斯(最优)误差：理论上的最小误差值(通常比人类误差小)

可避免偏差：训练误差 与 贝叶斯误差 之间的差值

方差：验证集误差 与 训练误差 的差值

当 可避免偏差 大于 方差 时，发生 欠拟合。

当 方差 大于 可避免偏差 时，发生 过拟合。

 

在训练模型时对照以上描述，有助于定位问题，采取对应的措施调整模型，更快训练出最适合的模型。