• Machine Learning Yearning
  • 引言
    • 1 机器学习策略的原因
    • 2 如何使用本书来帮助您的团队
    • 3 预备知识和注释
    • 4 规模推动机器学习进步
  • 设置开发集和测试集
    • 5 您的开发和测试集
    • 6 你的开发集和测试集应该来自相同的分布
    • 7 开发集/测试集需要多大
    • 8 为您的团队建立单一数字的评估指标以进行优化
    • 9 优化指标和满足指标
    • 10 通过开发集和评估标准加速迭代
    • 11 何时更改开发/测试集和评估指标
    • 12 小结:建立开发集和测试集
  • 基本错误分析
    • 13 快速构建您的第一个系统,然后迭代
    • 14 误差分析:查看开发集样本以评估想法
    • 15 在误差分析期间并行评估多个想法
    • 16 清理错误标注的开发和测试集样本
    • 17 如果你有一个大的开发集,将其分成两个子集,只着眼于其中的一个
    • 18 Eyeball 和 Blackbox 开发集应该多大?
    • 19 小贴士:基本误差分析
  • 偏差和方差
    • 20 偏差和方差:误差的两大来源
    • 21 偏差和方差的例子
    • 22 比较最优错误率
    • 23 处理偏差和方差
    • 24 偏差和方差间的权衡
    • 25 减少可避免偏差的方法
    • 26 训练集上的误差分析
    • 27 减少方差的方法
  • 学习曲线
    • 28 诊断偏差和方差:学习曲线
    • 29 绘制训练误差曲线
    • 30 解读学习曲线:高偏差
    • 31 解释学习曲线:其他情况
    • 32 绘制学习曲线
  • 和人类水平相比较
    • 33 为何我们要与人类水平的表现作对比
    • 34 如何定义人类水平的表现
    • 35 超越人类水平表现
  • 在不同分布下训练和测试
    • 36 何时应该在不同的分布下训练和测试
    • 37 如何决定是否使用所有数据
    • 38 如何决定是否包含不一致的数据
    • 39 加权数据
    • 40 从训练集到开发集的泛化
    • 41 识别偏差、方差和数据不匹配误差
    • 42 处理数据不匹配
    • 43 人工数据合成
  • 调试推理算法
    • 44 优化验证测试
    • 45 优化验证集的一般形式
    • 46 强化学习样本
  • 端到端深度学习
    • 47 端到端学习的兴起
    • 48 更多端到端学习示例
    • 49 端到端学习的优点和缺点
    • 50 选择流水线组件:数据可用性
    • 51 选择流水线组件:任务简单
    • 52 直接学习丰富的输出
  • 组件错误分析
    • 53 组件错误分析
    • 54 将错误归因于某个组件
    • 55 错误归因的一般情况
    • 56 组件错误分析和与人类水平的对比
    • 57 发现有瑕疵的ML流水线
  • 总结
    • 58 组建一个超级英雄团队——让你的队友阅读本书
Powered by GitBook

学习曲线

Learning curves

Chapter 28、Diagnosing bias and variance: Learning curves

Chapter 29、Plotting training error

Chapter 30、Interpreting learning curves: High bias

Chapter 31、Interpreting learning curves: Other cases

Chapter 32、Plotting learning curves

results matching ""

    No results matching ""