6.4. 总结:诊断与调试

本文最后更新于 2025年2月4日 下午

总结: 诊断与调试

回顾: 改进算法性能的思路

回到本章最开始的改进算法性能的思路:

  1. 获得更多的数据集
  2. 选用更少的特征以防止过拟合
  3. 获得更多的特征来补充特征集
  4. 增加多项式特征
  5. 增加正则化参数\(λ\)
  6. 减小正则化参数\(λ\)

通过这一章的学习,这些思路有各自的功能和局限性:

  1. 获得更多的数据集 --仅对高方差有效
  2. 选用更少的特征以防止过拟合 --仅对高方差有效
  3. 获得更多的特征来补充特征集 --通常用于高偏差问题
  4. 增加多项式特征 --仅对高偏差有效
  5. 增加或减小正则化参数\(λ\) --仅对高偏差有效
  6. 减小正则化参数\(λ\) --仅对高方差有效

大型神经网络和小型神经网络

小型神经网络: 计算量简单
大型神经网络: 大计算量,更容易出现过拟合现象 通常使用一个正则化的大型神经网络的效果要比小型神经网络更好。
大型神经网络的隐藏层数目和单元数目可以通过调参进行优化。


6.4. 总结:诊断与调试
https://l61012345.top/2021/04/22/机器学习——吴恩达/6. 诊断与调试/6.4. 本章回顾/
作者
Oreki Kigiha
发布于
2021年4月22日
更新于
2025年2月4日
许可协议