【机器学习24】-模型选择、误差评估

根据三张图片的核心内容，以下是关于模型选择、误差评估及神经网络架构选择的系统性总结与解题思路：

1. 误差评估（图1）

核心公式：
• 训练误差 ( J_{\text{train}} )：评估模型在训练集上的拟合程度。
$$J_{\text{train}}(\mathbf{w},b)=\frac{1}{2m_{\text{train}}}\sum _{i=1}^{m_{\text{train}}}(f_{\mathbf{w},b}({\mathbf{x}}^{(i)})-y^{(i)}{)}^2$$
• 交叉验证误差 ( J_{\text{cv}} )：用于调参和模型选择（防止过拟合）。
$$J_{\text{cv}}(\mathbf{w},b)=\frac{1}{2m_{\text{cv}}}\sum _{i=1}^{m_{\text{cv}}}(f_{\mathbf{w},b}({\mathbf{x}}_{\text{cv}}^{(i)})-y_{\text{cv}}^{(i)}{)}^2$$
• 测试误差 ( J_{\text{test}} )：最终评估模型泛化能力。
$$J_{\text{test}}(\mathbf{w},b)=\frac{1}{2m_{\text{test}}}\sum _{i=1}^{m_{\text{test}}}(f_{\mathbf{w},b}({\mathbf{x}}_{\text{test}}^{(i)})-y_{\text{test}}^{(i)}{)}^2$$

关键点：
• 所有误差均基于平方损失（适用于回归问题）。
• 训练集用于拟合参数，交叉验证集用于选择模型复杂度，测试集仅用于最终评估。

2. 模型选择：多项式回归（图2）

问题描述：
选择多项式回归的最佳次数 ( d )（从 ( d=1 ) 到 ( d=10 )），模型形式为：
$$f_{\mathbf{w},b}(x)=w_{1}x+w_2{x}^2+\cdots +w_d{x}^d+b$$

步骤：

1. 训练不同复杂度的模型：
   • 对每个 ( d )，用训练集拟合参数 ${\mathbf{w}}^{(d)},b^{(d)}$。
2. 计算交叉验证误差 $J_{\text{cv}}({\mathbf{w}}^{(d)},b^{(d)})$。
3. 选择最优 $d$)：
   • 图中选择 ( d=4 )（即 $w_{1}x+\cdots +w_4{x}^4+b$），因其交叉验证误差$J_{\text{cv}}({\mathbf{w}}^{(4)},b^{(4)})$ 最小（黄色高亮）。
4. 最终评估：
   • 使用测试集计算泛化误差 $J_{\text{test}}({\mathbf{w}}^{(4)},b^{(4)})$（蓝色圈出）。

注意事项：
• 避免选择 ( d ) 过大（如 ( d=10 )），否则会过拟合（高方差）。
• 交叉验证误差是模型选择的核心依据。

3. 模型选择：神经网络架构（图3）

问题描述：
从3种神经网络架构中选择最佳结构，依据交叉验证误差 ( J_{\text{cv}} )。

候选架构：

1. 架构1：单隐藏层（25 units）→ $J_{\text{cv}}({\mathbf{w}}^{(1)},b^{(1)})$。
2. 架构2：双隐藏层（12 units + 20 units）→$J_{\text{cv}}({\mathbf{w}}^{(2)},b^{(2)})$。
3. 架构3：三隐藏层（16 + 8 + 32 units）→ $J_{\text{cv}}({\mathbf{w}}^{(3)},b^{(3)})$。

选择步骤：

1. 训练所有架构，记录交叉验证误差。
2. 选择 $J_{\text{cv}}$ 最小的架构（图中选择架构2）。
3. 用测试集评估泛化误差 $J_{\text{test}}({\mathbf{w}}^{(2)},b^{(2)})$。

关键点：
• 更深的网络不一定更好，需平衡复杂度和数据量。
• 交叉验证误差是判断过拟合/欠拟合的核心指标。

4. 解题思路总结

1. 划分数据集：训练集（拟合参数）、交叉验证集（选择模型）、测试集（最终评估）。
2. 评估误差：
   • 训练误差低但验证误差高 → 过拟合（需简化模型或增加正则化）。
   • 两者均高 → 欠拟合（需增加复杂度或特征）。
3. 模型选择：
   • 多项式回归：通过交叉验证选择最佳次数 ( d )。
   • 神经网络：通过交叉验证选择层数和单元数。
4. 最终验证：测试集仅用于最终报告，不参与任何调参或选择。

5. 常见问题与解决

• 过拟合：减少多项式次数 ( d )、使用正则化（L2）、减少神经网络单元数。
• 欠拟合：增加 ( d )、添加更多特征、增大神经网络规模。

示例决策流程：

训练模型 → 计算 J_train 和 J_cv → 选择 J_cv 最小的模型 → 用 J_test 验证泛化性

通过系统性地应用上述方法，可高效选择模型并评估其性能。