女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

針對線性回歸模型和深度學習模型,介紹了確定訓練數(shù)據(jù)集規(guī)模的方法

電子工程師 ? 來源:lq ? 2019-05-05 11:03 ? 次閱讀

【導讀】對于機器學習而言,獲取數(shù)據(jù)的成本有時會非常昂貴,因此為模型選擇一個合理的訓練數(shù)據(jù)規(guī)模,對于機器學習是至關(guān)重要的。在本文中,作者針對線性回歸模型和深度學習模型,分別介紹了確定訓練數(shù)據(jù)集規(guī)模的方法。

數(shù)據(jù)是否會成為新時代的“原油”是人們近來常常爭論的一個問題。

無論爭論結(jié)果如何,可以確定的是,在機器學前期,數(shù)據(jù)獲取成本可能十分高昂(人力工時、授權(quán)費、設(shè)備運行成本等)。因此,對于機器學習的一個非常關(guān)鍵的問題是,確定能使模型達到某個特定目標(如分類器精度)所需要的訓練數(shù)據(jù)規(guī)模。

在本文中,我們將對經(jīng)驗性結(jié)果和研究文獻中關(guān)于訓練數(shù)據(jù)規(guī)模的討論進行簡明扼要的綜述,涉及的機器學習模型包括回歸分析等基本模型,以及復雜模型如深度學習。訓練數(shù)據(jù)規(guī)模在文獻中也稱樣本復雜度,本文將對如下內(nèi)容進行介紹:

針對線性回歸和計算機視覺任務(wù),給出基于經(jīng)驗確定訓練數(shù)據(jù)規(guī)模的限制;

討論如何確定樣本大小,以獲得更好的假設(shè)檢驗結(jié)果。雖然這是一個統(tǒng)計問題,但是該問題和確定機器學習訓練數(shù)據(jù)集規(guī)模的問題很相似,因此在這里一并討論;

對影響訓練數(shù)據(jù)集規(guī)模的因素,給出基于統(tǒng)計理論學習的結(jié)果;

探討訓練集增大對模型表現(xiàn)提升的影響,并著重分析深度學習中的情形;

給出一種在分類任務(wù)中確定訓練數(shù)據(jù)集大小的方法;

探討增大訓練集是否是應對不平衡數(shù)據(jù)集的最好方式。

基于經(jīng)驗確定訓練集規(guī)模的限制

首先,我們依據(jù)使用的模型類型,探討一些廣泛使用的經(jīng)驗性方法:

回歸分析:依據(jù)統(tǒng)計學中的“十分之一”經(jīng)驗法則(one-in-ten rule),每個預測器都需要使用 10 個實例訓練。這種經(jīng)驗法則還有其他版本,例如用于解決回歸系數(shù)縮減問題的“二十分之一”規(guī)則(one-in-twenty rule)。最近,《Sample Size For Binary Logistic Prediction Models: Beyond Events Per Variable Criteria》一文中還提出了一種有趣的二元邏輯回歸變體。在該文中,作者通過預測器中變量的個數(shù)、總樣本量,以及正樣本量與總樣本量的比值,對訓練數(shù)據(jù)規(guī)模進行了估計。

計算機視覺:對于利用深度學習的圖像分類問題,根據(jù)“經(jīng)驗法則”,建議每一個類別收集 1000 張圖像。如果使用預訓練模型,數(shù)據(jù)集的規(guī)模則可以大幅減少。

通過假設(shè)檢驗確定樣本規(guī)模

假設(shè)檢驗是數(shù)據(jù)科學常用的一種統(tǒng)計工具,一般也可以用于確定樣本規(guī)模。

舉個例子:某科技巨頭搬去 A 城后,A 城的房價便急劇上漲,而某記者想知道現(xiàn)在每套公寓的均價是多少。那么問題來了,在保證 95% 的置信度,60 K 的公寓價格標準差,且價格誤差在10K 以內(nèi)的條件下,計算多少棟公寓的均價較為合理?

相應公式見下圖,其中 N 為所需的樣本規(guī)模,1.96 為標準正態(tài)分布在 95% 置信度下所對應的常數(shù):

? ? ?

樣本量估計

根據(jù)上述公式,該記者需要考慮大概 138 棟公寓的價格。

該公式將隨著檢驗問題的不同而改變,但是都要通過置信區(qū)間、可容忍誤差和標準差值來計算。

訓練數(shù)據(jù)規(guī)模的統(tǒng)計學習理論

我們先介紹一下著名的 VC 維(Vapnik-Chevronenkis dimension)。VC 維是一種模型復雜度的度量;模型越復雜,它的 VC 維就越高。下面介紹根據(jù) VC 維來確定訓練數(shù)據(jù)規(guī)模的公式。

首先,通過一個例子來看一下 VC 維是如何計算的:假設(shè)一個二維平面上有三個點需要被分類,而我們的分類器為該平面上的一條直線。無論這三點怎樣組合(均為正例,兩正一負、一正兩負等),這條直線都能正確地將正負樣本歸類/分開。那么,我們就認為一個線性分類器可以劃分這三點中的任意一點,因而它的 VC 維至少為 3。

另外,由于存在四個點的組合不能被一條直線準確分開,所以這個線性分類器的 VC 維為 3。可以證明,訓練數(shù)據(jù)規(guī)模 N 是 VC 維的一個函數(shù):

由 VC 維估計訓練數(shù)據(jù)規(guī)模

其中 d 為失敗率, epsilon 為學習中的誤差率。由此可見,學習模型所需的樣本量取決于模型的復雜度。但該方法有一個弊端,就是在面對神經(jīng)網(wǎng)絡(luò)顯著的復雜度時,會要求十分龐大的訓練數(shù)據(jù)規(guī)模。

當訓練集增大時,模型的表現(xiàn)會持續(xù)提升嗎?在深度學習任務(wù)又如何呢?

上圖展示了隨著數(shù)據(jù)規(guī)模的增長,傳統(tǒng)的機器學習算法(回歸等)和深度學習表現(xiàn)的變化。

具體來看,對于傳統(tǒng)的機器學習算法,模型的表現(xiàn)先是遵循冪定律(power law),之后趨于平緩;而對于深度學習,該問題還在持續(xù)不斷地研究中,不過圖一為目前較為一致的結(jié)論,即隨著數(shù)據(jù)規(guī)模的增長,深度學習模型的表現(xiàn)會按照冪定律持續(xù)提升。例如,有人曾用深度學習方法對三億張圖像進行分類,發(fā)現(xiàn)模型的表現(xiàn)隨著訓練數(shù)據(jù)規(guī)模的增長按對數(shù)關(guān)系提升。

值得注意的是,在深度學習中也有一些與上述例子不同的結(jié)果。比如,在《Learning Visual Features from Large Weakly Supervised Data》一文中,作者使用了一億條 Flickr 上的圖片和標簽來訓練卷積神經(jīng)網(wǎng)絡(luò),剛開始模型表現(xiàn)會隨著數(shù)據(jù)規(guī)模的增大而提升,但超過五千萬張圖片后模型的效果提升就不太明顯了。

文章《How Training Data Affect the Accuracy and Robustness of Neural Networks for Image Classification》的作者還發(fā)現(xiàn),隨著訓練數(shù)據(jù)規(guī)模的增加,圖像分類的準確度確實會上升;但是,模型的魯棒性會在數(shù)據(jù)規(guī)模到達一定程度后開始下降。

分類任務(wù)中確定訓練數(shù)據(jù)集大小的方法

該方法基于我們所熟知的學習曲線,一般而言,學習曲線圖的縱軸為誤差,橫軸為訓練數(shù)據(jù)集大小。《Tutorial: Learning Curves for Machine Learning in Python》和《Learning Curve》是很好的參考資料,可以用于進一步了解機器學習中的學習曲線,以及它們是如何隨著偏差或方差的增加而變化的。Python 在 scikit-learn 中提供了一種學習曲線函數(shù)。

在分類任務(wù)中,我們往往會使用學習曲線的一種輕微變體,在該曲線圖中,縱軸為分類準確度,橫軸為訓練數(shù)據(jù)集大小。訓練集規(guī)模的確定十分簡單:只需針對你的問題,先確定學習曲線的確切形狀,然后找到曲線上你預期的分類準確度所對應的訓練數(shù)據(jù)集大小即可。

例如,在文章《Predicting Sample Size Required for Classification Performance》和《How Much Data Is Needed to Train A Medical Image Deep Learning System to Achieve Necessary High Accuracy?》中,作者們將學習曲線的方法應用到了醫(yī)學領(lǐng)域,并且給出了一個相應的冪函數(shù):

學習曲線公式

其中,y 為分類準確度,x 為訓練集,b1,b2 分別為學習率和衰減率。根據(jù)問題的不同,參數(shù)會有所不同,可以通過非線性回歸或加權(quán)非線性回歸對參數(shù)進行估計。

增大訓練集是應對不平衡數(shù)據(jù)集的最好方式?

文章《Precision-Recall Versus Accuracy and the Role of Large Data Sets》對該問題進行了討論。該文作者提出了一個很有意思的觀點:在不平衡的數(shù)據(jù)集下,準確度并不是一個分類器表現(xiàn)好壞的最佳度量。

原因很簡單,對于一個負樣本為主的數(shù)據(jù)集,模型往往通過將大部分樣本分類為負樣本,以提高準確度。為了更好地衡量模型效果,他們將準確率和召回率(又稱敏感性)作為不平衡數(shù)據(jù)集下度量模型表現(xiàn)的合理標準。

除了上述提到的關(guān)于準確度的問題,作者們還指出,對于存在不平衡數(shù)據(jù)的問題而言,模型的準確率往往對其更加重要。比如一個醫(yī)院的警報系統(tǒng)而言,高精確率就意味著當警鈴響起時,很有可能確實有病人遇到了麻煩。

之后,該文章分別使用較大的非平衡訓練集和不平衡學習包(imbalanced-learn, 基于Python scikit-learn)對模型進行了訓練,并使用準確率和召回率對訓練效果進行了分別的度量。

第一個模型使用了一個包含5萬個樣本的藥物研發(fā)數(shù)據(jù),并構(gòu)建了使用不平衡矯正方法的K-近鄰模型。第二個模型使用了一個包含大約100萬個樣本的數(shù)據(jù)集上,構(gòu)建了一個簡單的K-近鄰模型。

其中,不平衡矯正方法包括欠采樣、過采樣和集成學習。文章作者重復了200次實驗,其結(jié)論為,當把精確率和召回率作為度量時,沒有任何一種不平衡矯正方法比增加更多訓練數(shù)據(jù)的效果更好。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 機器學習
    +關(guān)注

    關(guān)注

    66

    文章

    8488

    瀏覽量

    134012
  • 數(shù)據(jù)集
    +關(guān)注

    關(guān)注

    4

    文章

    1222

    瀏覽量

    25264
  • 深度學習
    +關(guān)注

    關(guān)注

    73

    文章

    5554

    瀏覽量

    122443

原文標題:如何確定最佳訓練數(shù)據(jù)集規(guī)模?6 大必備“錦囊”全給你了 | 技術(shù)頭條

文章出處:【微信號:rgznai100,微信公眾號:rgznai100】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦
    熱點推薦

    【大語言模型:原理與工程實踐】揭開大語言模型的面紗

    大語言模型(LLM)是人工智能領(lǐng)域的尖端技術(shù),憑借龐大的參數(shù)量和卓越的語言理解能力贏得了廣泛關(guān)注。它基于深度學習,利用神經(jīng)網(wǎng)絡(luò)框架來理解和生成自然語言文本。這些模型通過
    發(fā)表于 05-04 23:55

    【大語言模型:原理與工程實踐】大語言模型的預訓練

    大語言模型的核心特點在于其龐大的參數(shù)量,這賦予模型強大的學習容量,使其無需依賴微調(diào)即可適應各種下游任務(wù),而更傾向于培養(yǎng)通用的處理能力。然而,隨著
    發(fā)表于 05-07 17:10

    Pytorch模型訓練實用PDF教程【中文】

    本教程以實際應用、工程開發(fā)為目的,著重介紹模型訓練過程中遇到的實際問題和方法。在機器學習模型開發(fā)
    發(fā)表于 12-21 09:18

    【微信精選】手把手跟我入門機器學習:手寫體識別模型

    快的機器學習分支,然后解決的是機器學習監(jiān)督學習下面的分類問題,用的是神經(jīng)網(wǎng)絡(luò)里的卷積神經(jīng)網(wǎng)絡(luò) (CNN) 方法。1 神經(jīng)網(wǎng)絡(luò)相關(guān)理論這一部分主要介紹
    發(fā)表于 09-23 07:00

    TensorFlow實現(xiàn)簡單線性回歸

    器: 聲明初始化操作符: 現(xiàn)在,開始計算圖,訓練 100 次: 查看結(jié)果:解讀分析從下圖中可以看到,簡單線性回歸器試圖擬合給定數(shù)據(jù)
    發(fā)表于 08-11 19:34

    TensorFlow實現(xiàn)多元線性回歸(超詳細)

    。這里是波士頓房價數(shù)據(jù)的多重線性回歸的代碼,使用 13 個輸入特征。波士頓房價數(shù)據(jù)可從htt
    發(fā)表于 08-11 19:35

    深度融合模型的特點

    深度融合模型的特點,背景深度學習模型訓練完成之后,部署并應用在生產(chǎn)環(huán)境的這一步至關(guān)重要,畢竟
    發(fā)表于 07-16 06:08

    人工智能基本概念機器學習算法

    目錄人工智能基本概念機器學習算法1. 決策樹2. KNN3. KMEANS4. SVM5. 線性回歸深度學習算法1. BP2. GANs3.
    發(fā)表于 09-06 08:21

    深度學習模型是如何創(chuàng)建的?

    嵌入式系統(tǒng)已被證明可以降低成本并增加各個行業(yè)的收入,包括制造工廠,供應鏈管理,醫(yī)療保健等等。本文將介紹有關(guān)深度學習嵌入式系統(tǒng)的信息。深度學習
    發(fā)表于 10-27 06:34

    使用KNN進行分類和回歸

    ,這種學習器很少或根本不處理訓練數(shù)據(jù)。與線性回歸等積極學習的算法不同,KNN 不會估計在
    發(fā)表于 10-28 14:44

    基于預訓練模型和長短期記憶網(wǎng)絡(luò)的深度學習模型

    作為模型的初始化詞向量。但是,隨機詞向量存在不具備語乂和語法信息的缺點;預訓練詞向量存在¨一詞-乂”的缺點,無法為模型提供具備上下文依賴的詞向量。針對該問題,提岀
    發(fā)表于 04-20 14:29 ?19次下載
    基于預<b class='flag-5'>訓練</b><b class='flag-5'>模型</b>和長短期記憶網(wǎng)絡(luò)的<b class='flag-5'>深度</b><b class='flag-5'>學習</b><b class='flag-5'>模型</b>

    深度學習如何訓練出好的模型

    算法工程、數(shù)據(jù)派THU深度學習在近年來得到了廣泛的應用,從圖像識別、語音識別到自然語言處理等領(lǐng)域都有卓越的表現(xiàn)。但是,要訓練出一個高效準確
    的頭像 發(fā)表于 12-07 12:38 ?1417次閱讀
    <b class='flag-5'>深度</b><b class='flag-5'>學習</b>如何<b class='flag-5'>訓練</b>出好的<b class='flag-5'>模型</b>

    深度學習模型優(yōu)化與調(diào)試方法

    深度學習模型訓練過程中,往往會遇到各種問題和挑戰(zhàn),如過擬合、欠擬合、梯度消失或爆炸等。因此,對深度學習
    的頭像 發(fā)表于 07-01 11:41 ?1545次閱讀

    深度學習模型訓練過程詳解

    詳細介紹深度學習模型訓練的全過程,包括數(shù)據(jù)預處理、模型
    的頭像 發(fā)表于 07-01 16:13 ?2345次閱讀

    AI大模型深度學習的關(guān)系

    人類的學習過程,實現(xiàn)對復雜數(shù)據(jù)學習和識別。AI大模型則是指模型的參數(shù)數(shù)量巨大,需要龐大的計算資源來進行
    的頭像 發(fā)表于 10-23 15:25 ?2634次閱讀