本文由码农场同步，最新版本请查看原文：http://www.hankcs.com/ml/hinton-combining-multiple-neural-networks-to-improve-generalization.html

这节课讲了为什么要综合多个模型，好处与原理、具体做法等。讲解了贝叶斯学习中的神经网络模型混合、马尔科夫蒙特卡洛方法，以及从新角度阐释更高效的Dropout。综合网络：偏置方差均衡训练数据少，容易过拟合。综合多个模型可以防止过拟合，特别是当模型做出的预测差别很大的时候。对回归来讲，平方误差可以分解为偏置与方差两项。偏置由模型过于简单带来，方差由模型过于复杂带来。方差项之所以称为方差，是因为再来一个同分布的训练集，因为采样误差的存在，模型拟合的结果会不一样，于是产生方差。通过平均多个模型，可以降低方差。这些被平...

继续阅读：码农场 » Hinton神经网络公开课10 Combining multiple neural networks to improve generalization

原文链接：http://www.hankcs.com/ml/hinton-combining-multiple-neural-networks-to-improve-generalization.html

感谢阅读本文，欢迎 查看原文或访问 码农场 获取更多内容