Что делать, если алгоритм обучения кажется неправильным — Эндрю Нг
Теперь давайте предположим, что мы собираемся использовать линейную регрессию для некоторого прогноза. Вот наша функция стоимости с добавленным членом регуляризации.
Однако что мы можем сделать, если стоимость прогноза (ошибка) окажется очень большой? Есть несколько способов сделать это.
- Получите больше обучающих данных/Выберите выборку обучающих данных, которая больше похожа на популяцию (это сложно)
- Попробуйте меньшие наборы функций
- Попробуйте получить дополнительные функции
- Попробуйте добавить полиномиальные функции (возможно, некоторые функции окажутся одинаковыми)
- Попробуйте уменьшить лямбду
- Попробуйте увеличить лямбда
Однако было бы более эффективно, если бы мы сначала продиагностировали наш алгоритм, а затем подумали о необходимом рецепте, а не применяли один из вышеперечисленных без дополнительных размышлений. В следующем посте мы рассмотрим некоторые моменты, чтобы проверить их с более подробными пояснениями.
