Variance-Bias 分解
来源:互联网 发布:龙卷风翻墙软件 编辑:程序博客网 时间:2024/06/05 01:59
Variance-Bias 分解
Notations:
单个数据集下的回归函数
下面首先证明,对于单个数据集
单数据集下的损失函数分解
对于某个数据集
因此,期望误差为对
其中,
对于
多数据集下的variation-bias 分解
现在考虑多个数据集的情况。variance-bias分解的考虑是出于衡量预测模型对多个数据集的泛化能力。在考虑多数据集时,有几个变化:
- 注意此时
y(x;Di)=E[ti|x] , 其中ti 是第i 个数据集的标签。 - 此时的期望误差除了对数据分布积分,还要对各个数据集求和。即
ED,(x,t)[L]
先不考虑期望,如下:
当对上式在
于是,上式前一项为vairance,后一项为bias。
总结
直观图解
参考文献
- Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
- Variance-Bias 分解
- 偏差-方差分解 Bias-Variance Decomposition
- 偏置-方差分解(Bias-Variance Decomposition)
- 偏置方差分解Bias-variance Decomposition
- 偏置方差分解Bias-variance Decomposition
- bias & variance
- Bias-Variance Tradeoff
- Bias vs. variance
- bias和variance
- Bias Variance Tradeoff
- Bias and Variance Tradeoff
- Bias-Variance Tradeoff
- bias和variance
- 关于bias 和 variance
- bias和variance
- bias and variance
- Bias and Variance
- bias和variance
- fork与vfork区别
- gulp+nginx—前端自动化构建工具
- spring 计划任务执行规律备忘
- 订制呼叫和收媒体处理流程的siprtp.c
- 变量作用域
- Variance-Bias 分解
- Python文件基础操作(入门1)
- linux下最常用命令
- java MD5加码
- 如何解决谷歌Chrome浏览器第三方扩展程序已停用
- 蓝桥杯PREV-6翻硬币(贪心)
- jQuery的CheckBox全选反选时,勾选失效的问题
- 【串口通信】字符串发送与十六进制发送的区别
- 关于这段时间翻译的一点感悟