今天我们来聊一聊，机器学习与深度学习的模型设计。

运用机器学习算法进行研究，其实就是寻找目标函数的过程。通过构建机器学习模型（形成函数集），用训练数据做驱动，寻找与训练数据匹配，并且在测试数据中表现优异的函数。所以构建机器学习模型就显得十分的重要了。以线性回归为例子，大家可以看一下下面的图。

取自李宏毅老师的课程ppt

在寻找目标函数时，假如函数集范围太小，正如图左所示只是一次式项，那么很有可能目标函数不在函数集里面，也就说bias(偏差)比较大，远离了目标函数（也就是图中的靶心），这是我们经常说的欠拟合。而如果我们尽量把函数集设大一点（函数集尽可能的大就有希望能够包含目标函数），这样bias会变小，但是也带来了坏处，模型对噪音数据会特别敏感，一不小心就会出现过拟合的情况。因为我们本身并不知道目标函数到底长什么样，所以我们就要不断测试修改模型，希望能达到好的效果。下面是一点tips,大家可以参考一下。

欠拟合：1 增加特征 2 调整为更加复杂的模型

过拟合：1 增加数据量 2 正则化

上面说的是传统机器学习中模型的设计，那么在深度学习中，我们又该如何设计？首先大家要理解一点，为什么要“deep”？下面大家继续看图。

同样是取自李宏毅老师的课堂PPT

大家仔细看图就会发现，1.随着隐藏层的增加，错误率在减低。2. 7X2K 对应的错误率是17.1% ，而与之参数量相当的1X16K 对应的错误率却是22.1% 。 理论上说，只要一层隐藏层里面神经元够多，那么这个模型足以接近任何函数。也就是说，我们没必要把神经网络弄deep，但是大家看图就会发现，deep 要比 一层效果好。其实这就包含了拆分与共享的思想，看图。

统一处理 单层隐藏层
拆分 共享 多层隐藏层

原来我也觉得深度学习应该会需要大量的数据，事实上并不是，我使用mnist数做过实验，在数据量较少时，多层神经网络的效果要比单层神经网络要好，意不意外？惊不惊喜？所以当你数据较少又想用深度学习来处理数据时，不妨多搭几层。

最后还要谈一下 no free lunch理论，no free lunch理论指的是没有最好的算法，只有最适合的算法。深度学习的模型有许多种，大家在选择是一定要根据自己问题来选择模型，比如说CNN对处理图像信息就非常的有用，而RNN对处理序列非常在行。所以大家还是要对每种算法都要了解清楚，选择合适自己的算法。

好的 ，今天就聊到这里，这篇差不多写了一个小时。想跟我交流的同学，欢迎大家在文章下面留言，如何你觉得我的文章还可以请点赞并关注我，谢谢。