Both sides previous revision
Poprzednia wersja
Nowa wersja
|
Poprzednia wersja
|
pl:dydaktyka:ml:lab8 [2013/04/16 15:02] esimon [Wstęp] |
pl:dydaktyka:ml:lab8 [2019/06/27 15:50] (aktualna) |
* //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 |
| |
| |
| ===== 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|}} |
| |