国际数学奥林匹克连续夺冠

现在，当他看到一个球，他就记得它是什么，拿着球和丢球的感觉如何。当孩子玩球次数越来越多，训练就形成了。青少年几乎是玩耍和投掷球的专家，尽管人们可能会认为投球是一项非常简单的任务，但你为之所经历的学习，无论如何都不是捷径。

正如前文所述，孩子的大脑就像一个简单的神经网络，实现基本的任务，如走路、吃饭、说话等。随着孩子的成长，他学会了更复杂的过程，如手和眼睛协调，说话流利，吃饭不洒等。

有训练神经网络经验的人认为，训练一个简单的网络相对容易，但随着增加更多神经层，让数据和终端输出更加复杂，学习速度就会减慢。童年是学习一项新技能的最佳时机，因为与成年人相比，他们的神经网络更简单，大脑没有受过训练，因此更容易将神经元弯曲到你的意愿上。

当孩子长大后，随着任务变得复杂，学习也变得困难。例如，解决棘手的问题、做出决策和判断就是复杂任务，即便我们成年人也没有停止学习和发展。大脑一直在学习，那么这种学习到底是如何发生的呢?

答案是——大脑重塑自己。就像神经网络中神经元之间的权重和连接发生变化一样，大脑也改变了数十亿神经元的连接，为了让复杂的神经网络不仅保留之前接受的训练，还能在此基础上再接再厉，提升最终过程的复杂性。

正如你在阅读这篇文章的时候，你大脑中的每个神经元都在改变自己，改变它与数十亿其他神经元的联系，在你自出生以来获得的经验的基础上增加经验。这就是学习的方式。每次你在学习，大脑都会重塑自己，这个过程就像训练神经网络一样。

数据就是一切

如今对科技巨头来说，没有什么比基于消费者的数据更重要。原因在于数据驱动“机器学习算法”。数据训练神经网络，没有数据就不可能学习。你一定遇到过下面这种验证码：
 

功能归因视图强调每个片段的功能分布。在上面的示例中，数据组0包含聚类2和3，将其与包含聚类0和1的数据组1进行比较。x轴是特征值，而y轴是原因的强度。Feature_0高亮显示这些差异，而Feature_1高亮显示特征值的直方图。

那么，如何把Manifold融入项目?

Manifold还处在早期研发阶段，还得继续调bug。但是，这不该妨碍你在项目中使用它。就个人情况来说，我需要弄几个安装包才能在Jupyter Notebook上运行它。
 

述例子中有三个模型，输入数据被分成四段。把对数损失(log-loss)作为性能指标，可以看到model_1在segment_0上的表现不佳，而model_2在segment_2上的表现不佳。线的形状表示性能分布，线的高度表示对数损失下的相对数据点计数。例如，在segment_1的model_1上，对数损失为1.5，点的均值低，但十分密集。

Manifold还提供了功能归因视图：
 

我正在项目中创建集成。一个集成是不同算法的集合，每个算法就同一数据进行训练并提供预测。集成的优势在于，它提供了一系列不同的策略来寻找解决方案，并利用多数票使所有模型的分类民主化。这很有用，因为尽管单个模型可以很好地预测部分数据，但它可能会在其他部分不知所措。

在机器学习中，“集成就是数字力量”。为了让集成表现良好，组成集成的各个模型必须能进行多样化预测。多样化预测，即不能所有模型都对某数据进行一模一样的预测;它们应该能对不同数据进行准确预测。然而这也带来了问题：你怎么知道集成进行的是多样化预测呢?看看交通科技巨头Uber的Manifold吧。

Uber的Manifold是个开源长期项目，旨在为机器学习提供调试的可视化工具(模型是什么样子的都无所谓)。通俗地讲，Manifold让你能看见哪个模型在数据子集中表现不佳、哪些特性导致了表现不佳。

集成能帮大忙。它创建了一个Widget输出，在Notebook就能交互以进行快速分析。注意，该工具目前仅在经典的Jupyter Notebook电脑上可用。它在Jupyter Lab或Google的Colab上不能运行。

Manifold使用k均值聚类——一种邻近分组技术，将预测数据分为性能相似的片段。想象一下，这是将数据分成相似的子类，然后沿着每个分段绘制模型，其中模型越靠左，则在该分段上表现越好。随机生成的示例中可以看到这一点：

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!