45.優化驗證實現的一般形式翻譯自吳恩達新書-Machine Learning Yearning

阿新 • • 發佈：2018-12-13

當提供一些輸入x，你知道如何通過計算分值，來衡量輸出y相對輸入x有多好時，你可以使用優化驗證測試。此外，你正在使用近似的演算法來尋找最大的得分值，但是假設搜尋演算法有時並找不到最大的得分值。我們之前說的語音識別例子中，x是一個語音片段，y是輸出的識別內容。

加入y是演算法輸出結果y對應的正確結果。那我們的關鍵測試就是判斷Scorex(y) > Scorex(y)，如果這個不等式成立，那就說明我們的最優演算法有問題。可以參考上一章，來理解這背後的邏輯。否則，我們認為得分值計算有問題。

我們再看一個例子。你在構建一個漢英翻譯系統。輸入漢語句子C到你的系統中，會輸出各種可能英文句子E的得分Socre_c

(E)，比如你用把漢語句子C翻譯成英語句子E的概率來作為得分值：Socre_c(E) = P(E|C)。

你的翻譯演算法，試著計算如下公式：輸出計算公式然而，可選的句子數量太多了，因此你需要使用啟發式搜尋演算法。假設你的演算法輸出了錯誤的翻譯E_out，而不是正確的結果E*。此時優化驗證測試會讓你計算並判斷Socre_c(E*) > Socre_c(E_out)，如果不等式成立，則Socre_c()的計算是正確的，因為 E* 的確優於E_out，因此這時的問題出現在近似的搜尋演算法上，否則問題出現在Socre_c()方法上。

在人工智慧中，有一個非常常見的設計模式。首先找到學習到一個近似的得分值計算函式Socre_c

(),然後使用最大似然法。如果你能恰當的使用這個模式，使用優化驗證測試，你將很容易理解錯誤的根源。

45.優化驗證實現的一般形式翻譯自吳恩達新書-Machine Learning Yearning

45.優化驗證實現的一般形式翻譯自吳恩達新書-Machine Learning Yearning

7.開發和測試資料集多大合適翻譯自吳恩達新書-Machine Learning Yearning

11.何時需要改變資料集和衡量指標翻譯自吳恩達新書-Machine Learning Yearning

20. 偏差和方差的概念及用途翻譯自吳恩達新書-Machine Learning Yearning

28.通過學習曲線診斷偏差和方差翻譯自吳恩達新書-Machine Learning Yearning

22.向最優的錯誤率看齊翻譯自吳恩達新書-Machine Learning Yearning

23.方差和偏差的處理方法翻譯自吳恩達新書-Machine Learning Yearning

24.權衡模型的方差和偏差翻譯自吳恩達新書-Machine Learning Yearning

25.減少可避免的偏差方法翻譯自吳恩達新書-Machine Learning Yearning

27. 減少方差的方法翻譯自吳恩達新書-Machine Learning Yearning

29. 將訓練錯誤率用圖形繪製出來翻譯自吳恩達新書-Machine Learning Yearning

32.學習曲線繪製技巧翻譯自吳恩達新書-Machine Learning Yearning

51.選擇管道元件之任務簡單化翻譯自吳恩達新書-Machine Learning Yearning

46.強化學習例項翻譯自吳恩達新書-Machine Learning Yearning

52.讓機器學習輸出更加豐富的內容翻譯自吳恩達新書-Machine Learning Yearning

50.選擇管道元件之資料可用性翻譯自吳恩達新書-Machine Learning Yearning

47.端到端學習的興起翻譯自吳恩達新書-Machine Learning Yearning

48.更多的端到端學習例項翻譯自吳恩達新書-Machine Learning Yearning

43.人工資料合成翻譯自吳恩達新書-Machine Learning Yearning

49.端到端學習的利與弊翻譯自吳恩達新書-Machine Learning Yearning

45.優化驗證實現的一般形式 翻譯自 吳恩達新書-Machine Learning Yearning

相關推薦

45.優化驗證實現的一般形式翻譯自吳恩達新書-Machine Learning Yearning