晚上睡不着,突然想了一些机器学习中的问题,发现似乎可以类比于生活。因为从某种程度来说,机器学习是模仿人类学习,那么反推回去,机器学习似乎也可以给生活或学习一些启示。

       机器学习中的损失函数,是用来衡量一个机器学习模型的好坏程度。通常机器学习的过程就是不断的使得损失函数减少的过程。对于生活与学习来说,就是我们对于一件事情的期望或者自己最终要实现的目标。我们最想做的就是不断的缩小与目标的差距,最终实现目标。

       机器学习中模型参数的初值,一般是随机化赋值或用全零进行初始化。在机器学习过程中,好的初值可以减少机器学习迭代的次数;而不好的初值可能会导致最终无法达到全局最优解(当然也取决于你选择求解最优问题的算法)。比如,求解一个非凸问题的全局最优解,若我们使用梯度下降法求解,可能因为初值选择的位置不同,会得到局部最优解或者全局最优解。这就好比一个人在某些方面与生俱来的天赋,似乎并不需要过多的训练就可以比平常的人对于该方面做的要好。而有些人没有很好的天赋,经过了很长时间的训练也取得了很不错的成绩。当然还有一些人很努力但表现出的结果并不好,类比于机器学习中的初值问题,可能他们的天赋与方法并不是很好,只能到达局部的最优,无法实现自我的超越。

       机器学习中的深度神经网络(DNN),是通过简单的神经元进行多层次的相连所得到的。它是对人的神经网络的模拟,但又并非完全是模拟人的神经网络的处理过程。DNN看似很简单,但只要赋予它初值,然后不断的训练,总能得到一定的结果。而我看到有一些科学家做过一些实验(一般讲深度神经网络的课程似乎都会引用这些实验),通过不断的训练以及辅助一些传感器,让舌头可以辨别颜色。而对于一种技能(比如某种语言的学习),只要反复的训练,最终都能到达一定的熟练程度。这正如人们所熟知的一万小时定律。

       过拟合,是机器学习中一个令人头疼的问题,它指的是机器学习中得到的模型在训练集上具有非常好的性能,但是在测试集上性能却很差。与之相对应的是欠拟合,它指的是在训练集和测试集上性能都很差。在生活中,每当出现一种新兴的事物,年轻人往往要比老年人接收的快些。大概是因为对于新事物相当于机器学习中的测试集,老年人的生活阅历已经很多了,他们可能会处于过拟合的状态。他们对于该事物的预期比该事物本身的结果要差很多,此时若他们不肯改变自己固有的一些思想,就会很难接新事物。相较于年轻人,他们则处于欠拟合的状态,但是由于预期与结果都不好,他们则更容易主动改变思想,从而接受新事物。

       生活中,还有一种类似过拟合的情况,比如父母与子女,经常会意见不合。虽然子女继承了父母的基因,但这只是初值可能类似。但由于父母所成长的年代与子女的成长年代有很大的不同,即训练集不同。对于一件事情,可能就是因为父母的过拟合与子女的过拟合导致两代人之间的代沟。

       那么,机器学习中的一些问题对我们生活有什么启示?通常,解决某一个机器学习的问题一般的步骤为:

而我们做事的一般步骤也是如此:

       还有,关于机器学习中的过拟合现象,一般改善的方法:增加训练集的数据或是正则化。增加训练集的数据,就是要让模型尽可能的考虑到更多的情况;而正则化,则是通过增加惩罚项,使得选择尽可能简单的模型,因为简单的模型往往具有更好的范性。而对于我们的生活和学习来说,为了避免“过拟合”的现象,我们应该学会去接纳一些“新兴”的事物,而不是固守自己的想法。另外,我们也可以尽可能的让自己的生活更简单些,或许就不会有那么多的不愉快了。正如Unix设计哲学中的KISS准则:“Keep it simple, stupid!”

       当然,本文纯属个人想法,仅供参考。