前言
這幾天的文章會是一系列的,會需要一起看才比較能看懂整個ML模型的輪廓,
然而因為一天能寫的內容量有限,所以我會在前言部分稍微說明我寫到哪。
複習一下ML的整個訓練過程
因為ML模型的訓練階段章節內容會分很多部分,我們要先確認好自己在哪個階段,
以免吸收新內容卻不知道用在內容的什麼地方。
★ 「訓練一個ML模型」的整個過程:這裡以監督式學習(Supervised Learning)
為例
階段 | 要做的事情 | 簡介 |
---|---|---|
(訓練前 ) | 決定資料集與分析資料 | 你想要預測的是什麼資料? 這邊需要先知道 example 、label 、features 的概念。介紹可參考:【Day 15】,而我們這次作為範例的訓練資料集介紹在【Day 19】。 |
(訓練前 ) | 決定問題種類 | 依據資料,會知道是什麼類型的問題。regression problem(回歸問題) ? classification problem(分類問題) ? 此處可參考:【Day 16】、與進階內容:【Day 17】 |
(訓練前 ) | 決定ML模型(ML models) | 依據問題的種類,會知道需要使用什麼對應的ML模型。回歸模型(Regression model) ? 分類模型(Classification model) ? 此處可參考:【Day 18】,神經網路(neural network) ? 簡介於:【Day 25】 |
(模型裡面的參數) | ML模型裡面的參數(parameters) 與超參數(hyper-parameters) 此處可參考:【Day 18】 | |
(訓練中 ) 調整模型 | 評估當前模型好壞 | 損失函數(Loss Functions) :使用損失函數評估目前模型的好與壞。以MSE(Mean Squared Error) , RMSE(Root Mean Squared Error) , 交叉熵(Cross Entropy) 為例。此處可參考:【Day 20】 |
(訓練中 ) 調整模型 | 修正模型參數 | 以梯度下降法 (Gradient Descent) 為例:決定模型中參數的修正「方向」與「步長(step size) 」此處可參考:【Day 21】 |
(訓練中 ) 調整腳步 | 調整學習腳步 | 透過學習速率(learning rate) 來調整ML模型訓練的步長(step size) ,調整學習腳步。(此參數在訓練前 設定,為hyper-parameter )。此處可參考:【Day 22】 |
(訓練中 ) 加快訓練 | 取樣與分堆 | 設定batch size ,透過batch 從訓練目標中取樣,來加快ML模型訓練的速度。(此參數在訓練前 設定,為hyper-parameter )。與迭代(iteration) ,epoch 介紹。此處可參考:【Day 23】 |
(訓練中 ) 加快訓練 | 檢查loss的頻率 | 調整「檢查loss的頻率」,依據時間(Time-based) 與步驟(Step-based) 。此處可參考:【Day 23】 |
(訓練中 ) 完成訓練 | (loop) -> 完成 | 重覆過程(評估當前模型好壞 -> 修正模型參數),直到能通過「驗證資料集(Validation)」的驗證 即可結束訓練。此處可參考:【Day 27】 |
(訓練後 ) | 訓練結果可能問題 | 「不適當的最小loss?」 此處可參考:【Day 28】 |
(訓練後 ) | 訓練結果可能問題 | 欠擬合(underfitting) ?過度擬合(overfitting) ? 此處可參考:【Day 26】 |
(訓練後 ) | 評估 – 性能指標 | 性能指標(performance metrics) :以混淆矩陣(confusion matrix) 分析,包含「Accuracy 」、「Precision 」、「Recall 」三種評估指標。簡介於:【Day 28】、詳細介紹於:【Day 29】 |
(訓練後 ) | 評估 – 新資料適用性 | 泛化(Generalization) :對於新資料、沒看過的資料的模型適用性。此處可參考:【Day 26】 |
(訓練後 ) | 評估 – 模型測試 | 使用「獨立測試資料集(Test) 」測試? 使用交叉驗證(cross-validation) (又稱bootstrapping )測試? 此處可參考:【Day 27】 |
(資料分堆的方式) | (訓練前 ) 依據上方「模型測試」的方法,決定資料分堆的方式:訓練用(Training)、驗證用(Validation)、測試用(Test)。此處可參考:【Day 27】 |
★ 從上面的訓練中,找到「最好的」ML模型:【Day 27】
原因:「訓練好一個模型」不等於「找到最好的模型」
階段 | 要做的事情 |
---|---|
(訓練模型 ) | 使用「訓練資料集(Training)」訓練模型(調整參數),也就是「上方表格 」在做的內容 |
(結束訓練 ) | 訓練到通過「驗證資料集(Validation)」結束訓練(未達到overfitting 的狀態前) |
(模型再調整 ) | 超參數(hyperparameters) 調整或神經網路的「layer數」或「使用的node數」(一些訓練前 就會先決定的東西) |
(loop) | (模型再調整 )後,重複上述(訓練模型 )、(結束訓練 ),完成訓練新的模型 |
(找到最佳模型 ) | 從「所有訓練的模型」中,找到能使「驗證用資料集(Validation)」最小的loss,完成(找到最佳模型 ) |
(決定是否生產 ) | 可以開始決定要不要將此ML模型投入生產。此時我們可以使用「獨立測試資料集(Test) 」測試? 使用交叉驗證(cross-validation) (又稱bootstrapping )測試? |
★小實驗系列:
文章 | 實驗內容 |
---|---|
【Day 24】 | TensorFlow Playground 的簡介與介面介紹 |
【Day 24】 | learning rate 的改變對訓練過程的影響 |
【Day 25】 | 使用神經網路(neural network) 分類資料 |
【Day 25】 | 觀察batch size 如何影響gradient descent |
Course – Launching into Machine Learning
第四章節的課程地圖:(紅字標記為本篇文章中會介紹到的章節)
* Generalization and Sampling
* Introduction to Generalization and Sampling
* Introduction
* Generalization
* Generalization and ML Models
* When to Stop Model Training
* Sampling
* Creating Repeatable Samples in BigQuery
* Demo of Splitting Datasets in BigQuery
* Lab: Creating Repeatable Dataset Splits
* Lab Introduction
* Lab: Creating Repeatable Dataset Splits in BigQuery
* Lab Solution Walkthrough
* Lab: Exploring and Creating ML Datasets
* Lab Introduction
* Lab: Exploring and Creating ML Datasets
* Lab Solution Walkthrough
* Module Quiz
0. 先整理今天重點
★ 何時停止訓練,加上「驗證用資料集」的整個ML模型訓練過程:
階段 | 要做的事情 |
---|---|
(訓練模型 ) | 使用「訓練用資料集」訓練模型(調整參數),也就是我們訓練在做的內容 |
(結束訓練 ) | 訓練到通過「驗證用資料集」結束訓練(未達到overfitting 的狀態前) |
(模型再調整 ) | 調整超參數(hyperparameters) 或神經網路的「layer數」或「使用的node數」(一些訓練前 就會先決定的東西) |
(loop) | (模型再調整 )後,重複上述(訓練模型 )、(結束訓練 ),完成訓練新的模型 |
(找到最佳模型 ) | 從「所有新訓練的模型」中,找到能使「驗證用資料集」最小的loss,完成(找到最佳模型 ) |
(決定是否生產 ) | 可以開始決定要不要將此ML模型投入生產。此時我們可以使用獨立「測試資料集」測試? 或使用交叉驗證(cross-validation) (又稱bootstrapping )測試? 可參考:【Day 27】 |
★ 評估模型好壞的方法:
比較 | 獨立的「測試資料集」測試 | 交叉驗證(cross-validation) (或稱為bootstrapping ) |
---|---|---|
總資料多寡 | 適合「總資料量較多」的 | 適合「總資料量較少」的 |
資料分組方式 | 分成三組:training(訓練用), validation(驗證用), test(測試用) | 分成兩大組:training(訓練用), validation(驗證用),然後各大組再細分成很多小組。 |
1. When to Stop Model Training
課程地圖
* Generalization and Sampling
* Generalization
* When to Stop Model Training
為了幫助我們能建立適合的ML模型,
(例如線性回歸(linear regression)或神經網路(neural network))
我們可以使用驗證資料集(validation dataset)來幫助調整適合模型的超參數(hyperparameters)
複習:
超參數(hyperparameters)
指的是在訓練前就設定好的參數。
1.1. 「驗證用」資料集(validation dataset)
調整超參數(hyperparameters)
的過程是透過連續進行訓練完成的,
然後我們再將這些訓練與對應獨立的「驗證用資料集(validation dataset)」進行驗證,
確認沒有過度擬合(overfitting)
的現象。
這裡顯示出我們的「驗證用資料集(validation dataset)」在訓練期間是如何被使用的。
在最佳化的過程中,訓練模型的過程:
(一開始參數皆為隨機生成)
- 從目前
模型參數的權重(weight)
計算導數(derivative)
- 觀察
梯度下降(gradient descent)
的loss曲線方向 - 嘗試透過修改
模型參數(parameters)
最小化loss指標 - 然後重複
自己的註:
這邊稍微補點數學說明,為什麼第一點的參數只看
權重(weight)
?
因為bias是常數項,微分會消失。
例如:y=ax+b,微分我們只需在意a,就不用在意b了。
現在,我們還需要定期的使用「訓練未看過」的數據,
我們稱為「驗證用資料集(validation dataset)」,來評估模型目前的性能,
在完成一次完整的訓練後,我們依照「驗證用資料集」驗證模型的結果,
看目前的超參數(hyperparameters)
是否有用,是否可以進行更多的調整。
如果「訓練用資料集」與「驗證用資料集」計算的loss差不多,
那我們可以考慮先停下來,並重新優化超參數(hyperparameters)
。
而只要對損失指標進行了充分優化,並通過了「驗證用資料集」的驗證,
(記得時間點是:在兩個資料集loss開始出現一些差異,但未達到overfitting
的狀態時)
這時我們就應該先停止訓練,然後決定這個模型是否可以投入生產。
現在我們也可以用類似的循環去調整各個ML模型的參數,
就像我們在訓練前對超參數(hyperparameters)
所進行的操作一樣。
例如:如果神經網路的層數或應該使用的節點數。
類似超參數(hyperparameters)
一樣,會在訓練前
就先設定好的。
你將會使用其中一種配置(例如一個只有六個節點的神經網路),
然後再訓練另外一種,最後都用「驗證用資料集」來看哪一種配置表現得更好。
最後,我們會選擇一種模型配置,這個配置能夠使「驗證用資料集」產生出最少的loss。
(記得:上章我們提過,如果只是讓「訓練用資料集」loss最小是不夠的。)
★ 自己做個小結論,加上「驗證用資料集」的整個ML模型訓練過程:
- 使用「訓練用資料集」訓練模型(調整參數)
- 重複1.,直到通過「驗證用資料集」結束訓練(未達到
overfitting
的狀態前)- 調整
超參數(hyperparameters)
或神經網路的「layer數」或「使用的node數」- 重新1.2.3.,直到找到能使「驗證用資料集」最小的loss,完成全部訓練
- 並可以開始決定要不要將此ML模型投入生產。
(google提供的輔助工具:)
在之後的課程中,我們也會用Cloud ML Engine示範在超參數空間(hyperparameter space)
做bayesian short search,
也就是說我們不需要一次對一個超參數(hyperparameter)
進行這樣的實驗。
Cloud ML的引擎能幫忙我們使用不同的最佳化策略,
並且以平行處理的方式進行這類實驗。
1.2. 獨立的「測試用」資料集(test dataset) 評估法
當我們完成訓練之後,我們必須還要能告訴別人這模型有多好。
- 那麼,你打算將哪個資料集作為最終通過與不通過的評估?
- 我們可以簡單的說,對於「驗證資料集」我們的模型最後有多少的loss嗎?
(在我們的「訓練資料集」結果差不多的情況下。)
這樣想是不行的,因為我們已經用了「驗證資料集」作為停止我們訓練的依據,
這樣表示「驗證資料集」已經不是獨立的了(模型已經看過了)。
我們可以先想想該怎麼辦?
自己的註:
如果又拿這組「驗證資料集」,我們的模型是在確定「驗證資料集沒問題」的情況下才停止訓練,
也就是說模型一定已經對於「訓練資料集」、「驗證資料集」都很清楚且能夠得到高分。
所以我們還必須使用「其他的資料集」來證明這模型的預測是好的。
所以,我們必須在一開始就將資料集分成三等份:
- training:訓練用資料集
- validation:驗證用資料集
- test:測試用資料集
只要我們的模型開始被訓練或驗證,我們就可以做「一次」分類,
而且要注意的是,這分類從頭到尾只能夠使用「一次」。
自己的註:
這邊指的意思應該是,「訓練用資料集」、「驗證用資料集」、「測試用資料集」,
一旦被決定了,就不能任意再重分,
因為一組資料集只要被模型看過一次,如果再被看過第二次,這樣的測試就是不獨立的。
而這組「測試用資料集」的結果正是我們可以告訴別人我們的模型有多好的依據,
我們可以拿這組「測試用資料集」的loss作為指標,決定要不要拿來生產用。
那至於如果我們在「測試用資料集」中預測的很差呢?
甚至是我們好不容易都通過了「驗證用資料集」的檢查。
那就表示我們不可以重新測試同樣的ML模型,我們應該要重新訓練全新的ML模型。
或者是收集更多的資料,去提供更多的新資料給你的ML模型。
自己的註:
所以「測試用資料集」失敗就可以開始思考直接砍掉重練的意思嗎QQ
1.3. 交叉驗證(cross-validation)
與bootstrapping
評估法
我們再來思考一個很小很小問題,雖然目前這方法已經很好了。
沒有人喜歡浪費資料,但「測試用資料集」只使用了一次,
似乎很浪費,但他有被保留下來。
我們難道不能在訓練時使用所有的資料,然後依然能合理的告訴別人模型的表現嗎?
答案是可以的。
這方法就是我們將「訓練用資料集」、「驗證用資料集」拆分成好幾等分,並且在不同的時間使用。
訓練後並使用「驗證用資料集」計算Loss,這個「驗證用資料集」可能包含「第一次訓練」中未使用的資料,
然後我們再重新拆分資料,現在我們的「訓練用資料集」可能包含著「第一次驗證」時所使用的資料,
然後我們可能需要進行多次的迭代(iteration)
。
最後在多輪的迭代(iteration)
之後,我們可以對於整個「驗證用資料集」進行loss的平均,
我們就會得到整個「驗證用資料集(validation)」的loss標準差,
這個值能夠幫助我們分析最終loss與它們的散佈情形。
這樣的方法我們稱為交叉驗證(cross-validation)
或bootstrapping
,
他的好處是,我們可以使用到所有的數據,但由於要將模型拆分成很多等份,
因此我們也必須要訓練很多次。
### 1.4. 評估方法小結論
- 如果你有大量的資料集,你應該使用獨立的「測試資料集」測試,並判斷這個模型訓練有沒有通過。
- 如果你沒有那麼多資料,你應該使用交叉驗證(cross-validation)的方法。
- 至於,如何實際將大數據集拆分成這一份一分的資料?
這個就是在下一章取樣(sampling)
我們要來詳細討論的事情。
- 至於,如何實際將大數據集拆分成這一份一分的資料?
本文同步發佈在: 第 11 屆 iT 邦幫忙鐵人賽
【Day 27】 Google ML – Lesson 11 – 我們應該何時停止ML模型的訓練? 利用驗證資料集, 測試資料集, 交叉驗證(cross-validation) 評估模型訓練結果的好壞
參考資料
- coursera – Launching into Machine Learning 課程
若圖片有版權問題請告知我,我會將圖撤掉