机器学习中的数据集合
来源:互联网 发布:小猪cms微电商系统 编辑:程序博客网 时间:2024/06/08 18:43
数据集分类
在有监督(supervise)的机器学习中,数据集常被分成2~3个,即:训练集(train set) 验证集(validation set) 测试集(test set)。
训练集用来估计模型,验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。
Ripley, B.D(1996)在他的经典专著Pattern Recognition and Neural Networks中给出了这三个词的定义。
Training set: A set of examples used for learning, which is to fit the parameters [i.e., weights] of the classifier. Validation set: A set of examples used to tune the parameters [i.e., architecture, not weights] of a classifier, for example to choose the number of hidden units in a neural network. Test set: A set of examples used only to assess the performance [generalization] of a fully specified classifier.
显然,training set是用来训练模型或确定模型参数的,如ANN中权值等; validation set是用来做模型选择(model selection),即做模型的最终优化及确定的,如ANN的结构;而 test set则纯粹是为了测试已经训练好的模型的推广能力。当然,test set这并不能保证模型的正确性,他只是说相似的数据用此模型会得出相似的结果。但实际应用中,一般只将数据集分成两类,即training set 和test set,大多数文章并不涉及validation set。
选择训练集和测试集
其中一个典型的划分是训练集占总样本的50%,而其它各占25%,三部分都是从样本中随机抽取。样本少的时候,上面的划分就不合适了。常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。就是将样本打乱,然后均匀分成K份,轮流选择其中K-1份训练,剩余的一份做验证,计算预测误差平方和,最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N,就是留一法(leave one out)。
数据归一化问题
数据归一化属于数据的预处理。因为sigmoid函数根据不同的变换,输出在0到1或者-1到1之间,因此如果不做归一,就会出现样本输出超出神经网络输出的范围。选择最大的值max和最小值min,做如下变换
x=(x-min)/(max-min)
就是归一化。
需要注意的是max和min不应该直接选择为x中的最大值和最小值。原因是样本只是有限的观测,有可能还有更大或者更小的观测,因此合适的选择应该max选取xmax大一些和min比xmin小一些的。归一化并不总是合适的预处理,因为它不能使分布不对称的样本变得更对称一些,标准化要好一些。另外,有时候主成分分析也能起到降维的作用。
- 机器学习中的数据集合
- 机器学习中的数据使用
- 【机器学习】机器学习中的数据清洗与特征处理
- 机器学习中的数据不平衡解决方案大全
- 机器学习中的数据不平衡解决方案大全
- 机器学习中的数据不平衡问题
- 机器学习资料集合
- 机器学习中的数据预处理中的标准化(sklearn preprocessing)
- 机器学习与数据挖掘中的十大经典算法
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗和特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- Android studio 设置主题字体以及第一次启动虚拟机HAX kernel module is not installed问题
- 网络编程学习小结
- C++ 第十三周 多态性 项目1【项目1-分数类中的运算符重载】
- 线段树学习心得 poj3468
- 第十三章 限制 第十四章 参考
- 机器学习中的数据集合
- Spring+SpringMVC+mybatis入门(环境搭建+crud)
- 剑指offer(三十)之扑克牌顺子
- 快速排序里的学问:随机化快排
- 从零开始学回溯算法
- DHCP源码分析-报文解析和封装
- HDOJ3565 Bi-peak Number
- C++第13周项目多态性 【项目2-动物这样叫】
- Java - PAT - 1014. 福尔摩斯的约会 (20)