神经网络与随机森林性能差异

Question

我想用 PyTorch 对神经网络进行一些实验，所以我尝试了一个简单的实验作为热身练习，但我无法完全理解结果。

该练习试图从有关问题的各种统计数据(例如变量数、最大子句长度等(中预测 1000 个 TPTP 问题的评级。 数据文件 https://github.com/russellw/ml/blob/master/test.csv 非常简单，1000 行，最后一列是评级，从几十个输入列开始，所有数字都缩放到 0-1 的范围， 我逐步删除了功能，以查看结果是否仍然有效，并且确实如此，一直到一个输入列;其他版本在 Git 历史记录中的先前版本中。

我开始使用单独的训练集和测试集，但暂时搁置了测试集，因为关于训练性能是否普遍到测试的问题，直到首先获得训练性能才会出现。

此数据集上的简单线性回归的均方误差约为 0.14。

我实现了一个简单的前馈神经网络，代码在 https://github.com/russellw/ml/blob/master/test_nn.py 中复制，在几百个训练时期之后，它的均方误差也为 0.14。

因此，我尝试使用几个不同的优化器将隐藏层的数量从 1 更改为 2 再到 3，调整学习率，将激活函数从 relu 切换到 tanh 再到两者的混合，将 epoch 的数量增加到 5000，将隐藏单元的数量增加到 1000。在这一点上，它应该很容易记住整个数据集的能力。(在这一点上，我不担心过度拟合。我只是想让训练数据的均方误差不是 0.14。没有任何区别。还是0.14。我会说它必须停留在局部最优值，但当你有几百万个权重时，这不应该发生;对于所有参数，几乎不可能同时处于局部最佳状态。而且我在每次运行时都会得到略有不同的数字序列。但它总是收敛到0.14。

现在显而易见的结论是，0.14 对于这个问题来说是最好的，除了即使网络有足够的内存来记住所有数据，它也会保持不变。但关键是我也尝试了一个随机的森林，https://github.com/russellw/ml/blob/master/test_rf.py

。随机森林在原始数据集上的均方误差为 0.01，随着特征的删除而正常降级，在只有一个特征的数据上仍为 0.05。

在机器学习的传说中，没有任何地方说"随机森林远远优于神经网络"，所以我可能做错了什么，但我看不出它是什么。也许它就像缺少一个标志或你需要在 PyTorch 中设置的东西一样简单。如果有人能看一看，我将不胜感激。

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# data
df = pd.read_csv("test.csv")
print(df)
print()
# separate the output column
y_name = df.columns[-1]
y_df = df[y_name]
X_df = df.drop(y_name, axis=1)
# numpy arrays
X_ar = np.array(X_df, dtype=np.float32)
y_ar = np.array(y_df, dtype=np.float32)
# torch tensors
X_tensor = torch.from_numpy(X_ar)
y_tensor = torch.from_numpy(y_ar)
# hyperparameters
in_features = X_ar.shape[1]
hidden_size = 100
out_features = 1
epochs = 500
# model
class Net(nn.Module):
def __init__(self, hidden_size):
super(Net, self).__init__()
self.L0 = nn.Linear(in_features, hidden_size)
self.N0 = nn.ReLU()
self.L1 = nn.Linear(hidden_size, hidden_size)
self.N1 = nn.Tanh()
self.L2 = nn.Linear(hidden_size, hidden_size)
self.N2 = nn.ReLU()
self.L3 = nn.Linear(hidden_size, 1)
def forward(self, x):
x = self.L0(x)
x = self.N0(x)
x = self.L1(x)
x = self.N1(x)
x = self.L2(x)
x = self.N2(x)
x = self.L3(x)
return x

model = Net(hidden_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.1)
# train
print("training")
for epoch in range(1, epochs + 1):
# forward
output = model(X_tensor)
cost = criterion(output, y_tensor)
# backward
optimizer.zero_grad()
cost.backward()
optimizer.step()
# print progress
if epoch % (epochs // 10) == 0:
print(f"{epoch:6d} {cost.item():10f}")
print()
output = model(X_tensor)
cost = criterion(output, y_tensor)
print("mean squared error:", cost.item())

Answer 1

你能打印你的输入的形状吗？ 我会说先检查这些东西：

• 您的目标 y 具有形状(-1, 1)我不知道在这种情况下，pytorch 是否会抛出错误。 如果不是 2 暗淡，您可以使用y.reshape(-1, 1)
• 你的学习率很高。 通常，当使用Adam时，默认值就足够好了，或者只是尝试降低学习率。 0.1 是学习率
开始的高值
• 将optimizer.zero_grad放在 for 循环内的第一行
• 规范化/标准化您的数据(这通常对 NN 有好处(
• 删除数据中的异常值(我的观点：我认为这不会对随机森林产生太大影响，但它会对 NN 产生严重影响(
• 使用交叉验证(也许 Skorch 可以在这里为您提供帮助。这是一个用于 pytorch 的 scikit 学习包装器，如果您了解 keras，则易于使用(

请注意，在某些情况下，随机森林回归器或任何其他回归器的性能可以优于神经网络。在某些领域，神经网络是图像分类或NLP等英雄，但您需要注意，简单的回归算法可以胜过它们。通常是当数据不够大时。