Я реализовал модель с использованием дерева принятия решений с градиентом в качестве классификатора, и я построил кривые обучения для тренировочных и тестовых наборов, чтобы решить, что делать дальше, чтобы улучшить мою модель. В результате, как изображение: (. Ось Y является точностью (процент от правильного предсказания), а ось й числа выборок я использовать для обучения модели)Кривая обучения (высокая погрешность/высокая дисперсия), почему тестовая кривая обучения становится плоской.
Я понимаю, что разрыв между обучением и тестированием, вероятно, связано с высокой дисперсией (переобучением). Но изображение также показывает, что оценка теста (зеленая линия) очень мало увеличивается, в то время как количество образцов растет с 2000 до 3000. Кривая оценки тестирования становится плоской. Модель не становится лучше даже с большим количеством образцов.
Мое понимание заключается в том, что плоская кривая обучения обычно указывает на высокий уровень предвзятости (underfitting). Возможно ли, что в этой модели происходят как недоподготовка, так и переоснащение? Или есть другое объяснение плоской кривой?
Любая помощь будет оценена по достоинству. Заранее спасибо.
=====================================
код я использую следующим образом. Basic я использовать один и тот же код, как, например, в sklearn document
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,
n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
plt.figure()
plt.title(title)
if ylim is not None:
plt.ylim(*ylim)
plt.xlabel("Training examples")
plt.ylabel("Score")
train_sizes, train_scores, test_scores = learning_curve(
estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)
plt.grid()
plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
train_scores_mean + train_scores_std, alpha=0.1,
color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
label="Training score")
plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
label="Cross-validation score")
plt.legend(loc="best")
return plt
title = "Learning Curves (GBDT)"
# Cross validation with 100 iterations to get smoother mean test and train
# score curves, each time with 20% data randomly selected as a validation set.
cv = ShuffleSplit(n_splits=100, test_size=0.2, random_state=0)
estimator = GradientBoostingClassifier(n_estimators=450)
X,y= features, target #features and target are already loaded
plot_learning_curve(estimator, title, X, y, ylim=(0.6, 1.01), cv=cv, n_jobs=4)
plt.show()
В кривой обучения (ось x - это количество предоставленных тренировок образцов) ожидается, что точность уменьшится с большим количеством выборок. –
Этот парень имеет около 100% точности с самого начала, и он идет вниз с расширением # образцов от 500 до 1k. Если это ожидается - я не знаю, что сказать больше ... –
Точно. Для кривых обучения все, что не начинается с 100% точности и идет вниз, указывает на наличие проблемы. –