Skip to Main Content
机器学习设计模式
book

机器学习设计模式

by Valliappa Lakshmanan, Sara Robinson, Michael Munn
September 2022
Beginner to intermediate content levelBeginner to intermediate
386 pages
7h 36m
Chinese
Southeast University Press
Content preview from 机器学习设计模式
148
4
oreil.ly/pTgS9
)对输入空间进行采样以创建一组输入,特别是在并非所有的输入组合
在物理上都是可能的情况下。
在这种情况下,过拟合在技术上是可行的(见图
4-5
,图中空心圆被错误估计为带 ×
的圆)。
4
-
5
如果输入空间是采样的而不是列表的,则需要注意限制模型的复杂度。
但是,即使在这里,也可以看到机器学习模型可以在已知数据上进行插值。
计算始
终是确定性的,只有输入点可以随机选择。因此,这些已知的数据不包含噪声,并
且由于不存在无法观测的变量,因此未采样点的误差将严格受模型复杂度的限制。
在这里,过拟合的危险来自模型的复杂度,而不是来自对噪声的拟合。当数据集的
大小大于自由参数的数量时,过拟合就不是一个大问题。因此,对输入空间采用蒙
特卡洛方法进行选择的情况下,使用低复杂度模型和适度正则化的组合,为避免不
可接受的过拟合提供了一种实用的方法。
数据驱动的离散化
虽然对于某些
PDE
可以得出封闭形式的解,但使用数值方法得到确定解的方法更
为流行。
PDE
的数值方法已经得到了深入的研究,并且有许多书籍(
https://oreil.ly/
RJWVQ
)、课 程(
http://oreil.ly/wcl_n
)和 刊(
https://msp.org/apde
)专门介绍该专题。
一种常见的方法是使用类似于龙格-库塔(
Runge-Kutta
)方法的有限差分方法来求
解常微分方程。这通常是通过离散化
PDE
的微分算子并在原始域的时空网格上找到
离散问题的解来完成的。但是,当问题的维数变大时,由于维数灾难,灾难这种基 ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Start your free trial

You might also like

PyTorch深度学习

PyTorch深度学习

Posts & Telecom Press, Vishnu Subramanian
数据科学原理

数据科学原理

Posts & Telecom Press, Sinan Ozdemir
Rust程序设计

Rust程序设计

Jim Blandy, Jason Orendorff, Leonora F. S. Tindall

Publisher Resources

ISBN: 9787564196776