Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja | ||
|
pl:dydaktyka:ml:lab8 [2013/04/15 10:15] esimon [Bias/Variance] |
pl:dydaktyka:ml:lab8 [2019/06/27 15:50] (aktualna) |
||
|---|---|---|---|
| Linia 12: | Linia 12: | ||
| * //plotFit.m// - Wizualizacja | * //plotFit.m// - Wizualizacja | ||
| * //trainLinearReg.m// - Funkcja ucząca wykorzystująca napisaną funkcję kosztu | * //trainLinearReg.m// - Funkcja ucząca wykorzystująca napisaną funkcję kosztu | ||
| - | * :!: //linearRegCostFunction.m// - Funkcja kosztu dl aregresji liniwej | + | * :!: //linearRegCostFunction.m// - Funkcja kosztu dla regresji linowej |
| * :!: //learningCurve.m// - Generowanie krzywej uczenia | * :!: //learningCurve.m// - Generowanie krzywej uczenia | ||
| * :!: //polyFeatures.m// - Mapowanie danych do przestrzeni wielomianowej | * :!: //polyFeatures.m// - Mapowanie danych do przestrzeni wielomianowej | ||
| Linia 18: | Linia 18: | ||
| | | ||
| - | ===== Wstęp ===== | + | ===== Tips and Tricks ===== |
| + | Kilka ogólnych kroków w jakich można debugować algorytm uczący: | ||
| + | * Zdobądź więcej danych uczących (to nie może zaszkodzić i pomaga w przypadku zbytniego dopasowania - high variance) | ||
| + | * Wypróbuj mniejszą ilość cech (pomaga w przypadku nadmiernego dopasowania - high variance) | ||
| + | * Wypróbuj większą ilość cech (pomaga w przypadku niedopasowania) | ||
| + | * Wypróbuj dodatkowe wielomianowe cechy (te same cechy podniesione do kwadratu, do sześcianu itd. - pomaga w przypadku niedopasowania) | ||
| + | * Zwiększ $\lambda$ - pomaga w przypadku zbytniego dopasowania - high variance | ||
| + | * Zmniejsz $\lambda$ - pomaga w przypadku niedopasowania - high bias | ||
| + | |||
| + | Jak ewaluować wyuczony model (hipotezę): | ||
| + | * Błąd klasyfikacji na danych uczących jest nieodpowiedni do mierzenia tego czy algorytm nie jest nadmiernie dopasowany (overfitted). Rozwiązaniem jest podzielenie zbioru uczącego a dwie części: | ||
| + | * Learning set (60%) - służy do uczenia algorytmu | ||
| + | * Cross-Validation set (20%) - służy do odpowiedniego doboru parametru $\lambda$ | ||
| + | * Test set (20%) - służy do sprawdzania na ile algorytm dobrze klasyfikuje dane nienależące do zbioru uczącego. | ||
| + | |||
| + | {{:pl:dydaktyka:ml:bias-var.png?300|}} | ||
