深度学习记录--偏差/方差(bias/variance)

误差问题

拟合神经网络函数过程中会出现两种误差：偏差(bias)和方差(variance)

偏差和误差的区别

欠拟合(underfitting)

当偏差(bias)过大时，如左图，拟合图像存在部分不符合值，称为欠拟合(underfitting)

过拟合(overfitting)

当方差(variance)过大时，如右图，拟合图像过于特殊，不够集中(即方差过大)，称为过拟合(overfitting)

误差和train/dev sets

以猫的识别为例：

当基本误差/最优误差很小时，且train/dev sets来自同一分布，则会有以下判断：

train set error较小，dev set error过大：high variance

train set error过大，dev set error过大(与train set error差不多)：high bias

train set error过大，dev set error过大(比train set error还大很多)：high bias & high variance

train set error较小，dev set error较小：low bias & low variance

?假如基本误差不是很小，则要考虑error与基本误差之间的大小差距来进行恰当的判断

训练神经网络的基本方法?

?high bias

--> bigger network(更深的神经网络模型)

--> train longer(训练更长时间，让模型更加成熟)

?high variance

-->more data(更大的数据量,更加具有普遍性)

-->regularization(正则化)