跳到主要內容

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform

*通用能力 gerneralization : 就是將訓練好的模型，放到正式環境可以正常的運作，通常Linear Model的gerneralization會比較好，因為線性模型解決的問題比較單純。缺點是應用侷限比較大。

參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/

非線性問題

當如果今天假設要圈出裡面小圈圈的資料，我們就無法使用線性的模型，我們可以用非線性解像圈圈的方程式sign(−x12−x22+r)sign(-x1^2-x2^2+r) 來解決，在演算法我們利用reduce來將不會的問題透過已知的問題來解決，所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。

Reduce 方法論


  • 我們調整圓形的方程式改為z0z_0,z1z_1,z2z_2來轉換線性方程式，{(xn,yn)}\{{(x_n,y_n)}\} => {(zn,yn)}\{{(z_n,y_n)}\} 在這空間資料中只要能找線，就可將不同的分類區分，圖中可以線性可以線去做分類。

  • 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後，希望透過線性方程式方式來學習，得到正解。

當我們Nonlinear transform轉換成線性方程式，當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線性的方程式，而是使用mapping的方式將新的資料也一樣透過Nonlinear transform來驗證是否正確。這過程中我們需要考慮兩個因素:

  1. Feature Transform ϕ\phi : 考慮資料複雜程度、關聯性等等
  2. Linear model AA :考慮適合的Linear model，重點:任何情況可以優先考慮Linear Models來解。

Mail Spam

範例: 電子郵件垃圾分類問題

資料特徵:郵件主題、文件名稱、電子郵件內容
模型比較: Linear model, Poly-2 model

深度學習

deep learning概念:先學習重要features後再組合結果，適用在複雜的任務，透過資料本身raw features來學習，但是也不是所有的案例都需要使用深度學習的模型。

問題複雜度與Transforming

當我們使用transform項次越高，雖然可以讓performance更好但是所需要的更高運算與儲存成本，資料量如何沒有很多情況下但用transform項次高去進行學習，有可能造成overfitting狀況發生。所以不是dimension越高就越好，因為會造成需要運算成本越高且會有overfitting狀況發生。

Overfitting

就是模型將<考題,答案>整個背下來，當你測試或是上線正式機就發現整個準確度下降，所以EinEin和EoutEout都可以有好準確度

所以我們可以利用靶來說明，f為理想的方程式，g是我們假設的hypothesis也可以稱為模型，當找到的g越接近f表示我們離事實越接近，會影響f、g之間的距離為Bias和Variance，所以重點是要用對模型且特徵資料需要預先處理/找到對關鍵的資料集才有可能找到理想解(最接近實務的解)。

用途 Low Variance High Variance
Low Bias 理想解(最接近實務的解) 表示找的解有接近靶心，但是因模型複雜度較高，所以g之間的變異數也較大
High Bias 模型找出來的解離理想解偏差太多 模型的解偏差太多且加上資料之間變異數大

我們希望訓練出來的模型，放到測試機執行，至少error小於或等於測試機訓練時的誤差值，

  • Underfitting : 當我們找到的模型太過簡單，例如線性方程式，造成訓練資料集時誤差bias很大，
  • Overfitting : 使用複雜的模型解，造成g之間的變異數很大，在訓練資料集可以符合但使用測試資料時出現巨大誤差

Model selection is important bnt not trivial

參考資料

台大資訊 人工智慧導論影片
https://www.youtube.com/watch?v=8sPQJkSpe0c
https://www.youtube.com/watch?v=MSQykQAsdoQ
https://www.csie.ntu.edu.tw/~cjlin/libsvm/

標籤：

留言

張貼留言

這個網誌中的熱門文章

JavaBean 和POJO

前言 今天介紹JavaBean和POJO的不同，這兩個名詞在JAVA文章常常被拿來使用以及討論。在JDK1.1時候釋出才有的一個標準架構，很多時候常常被搞混，所以我們特別開闢一章來加以討論。POJO規範在企業級應用已經廣大的被使用的規範。 解釋 POJO : 全名為Plain-old-Java-object，只需要繼承Object就可以，沒有特定規定，只要建立的類別有setter/getter方法都可以稱為POJO JavaBean: JavaBean通常用來封裝多個物件成為單獨物件使用，規範比較嚴格，規則如下 規則 說明 1 需要實作序列(Serializable/Externalizable) 2 不能有參數的建構子( no-arg constructor) 3 需要有公用setter/getter 4 屬性必須要私人(private) 5 屬於特定POJO規則 比較 所有的JavaBean都為POJO，但是所有的POJO不一定為JavaBean 都可以當作重複元件 都必須序列化 特性都為可用性、易用性和持久化使用 - 應用 由圖我們可以知道POJO在應用程式中，主要用來存取資料庫資料達到持久化的目的，並提供給商業邏輯流程處理使用。這種POJO的架構提供程式人員開發時的可以很有規則將資料封裝並加以使用。 範例1. JavaBean(以員工為實例) JavaBean建立員工物件，可以發現Employee物件建構子沒有任何參數，屬性為私有化並setter/getter的命名方式。 //實作序列化 public class Employee implements java.io.Serializable{ private int id; private String name; //無參數建構子 public Employee(){} //以下實作setter/getter public void setId(int id){this.id=id;} public int getId(){return id;} public void setName(String ...
張貼留言
閱讀完整內容

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題： 例如：log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在： 利用google查詢所遭遇到的問題，例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法： 我實作下面解法後，就可以順利執行手寫辨識的程式． //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096
1 則留言
閱讀完整內容