Pergunta sobre subtração da média no trem / válido / conjunto de testes

Estou fazendo pré-processamento de dados e depois construindo um Convonets nos meus dados.

Minha pergunta é: digamos que eu tenho um total de conjuntos de dados com 100 imagens, eu estava calculando a média para cada uma das 100 imagens e subtraí-la de cada uma das imagens, depois divida-a em conjunto de trem e validação e faço o mesmo etapas a serem processadas em um determinado conjunto de testes, mas parece que essa não é a maneira correta de fazê-lo, de acordo com este link: http://cs231n.github.io/neural-networks-2/#datapre

" Armadilha comum . Um ponto importante a ser destacado sobre o pré-processamento é que qualquer estatística de pré-processamento (por exemplo, a média dos dados) deve ser computada apenas nos dados de treinamento e depois aplicada aos dados de validação / teste. Por exemplo, calculando a média e subtraindo-a de todas as imagens em todo o conjunto de dados e depois dividir os dados em divisões de trem / val / teste seriam um erro.Em vez disso, a média deve ser calculada apenas sobre os dados de treinamento e subtraída igualmente de todas as divisões (trem / val / teste). "

Estou supondo que o autor está dizendo que, não calcule a média e subtraia-a em cada imagem, mas calcule a média do conjunto total de imagens (ou seja (imagem1 + ... + imagem100) / 100) e subtraia a média para cada uma da imagem.

Eu não entendo direito, alguém pode explicar? e também, possivelmente, explique por que o que eu estava fazendo está errado (se está realmente errado).

machine-learning cross-validation data-preprocessing Sam
fonte

Bem-vindo à comunidade. Por favor, veja minha resposta abaixo.

precisa saber é o seguinte

Respostas:

Vamos supor que você tenha 100 imagens no total; 90 são dados de treinamento e 10 são dados de teste.

$\hat{\mu}$ $\hat{\mu}$

usεr11852
fonte

\hat{μ}

$\hat{\mu}$

\hat{μ}

$\hat{\mu}$

@ usεr11852 Por que ter mais informações significaria prejudicar nosso modelo? Isso não faria com que as informações da "variável de resposta fora da amostra" interferissem de alguma forma em nosso treinamento, certo? Então, por que o erro do trem seria baixo?

GeneX 3/11

\hat{μ}

$\hat{\mu}$

... por algum acaso, todos os idosos acabam no teste. Se calcularmos a média de idade apenas em nosso conjunto de treinamento, obviamente obteremos uma idade média menor do que toda a nossa amostra. O uso dessa média-idade obviamente tendenciosa provavelmente deteriorará o Adesempenho do modelo se Anão generalizar bem para diferentes idades. Se calcularmos a idade média em todo o conjunto de dados, obteremos uma idade média mais representativa. Se agora utilizar este meio-idade imparcial no modelo Aque provavelmente terá um desempenho melhor do que antes, apesar de Anão generalizar bem em idades diferentes).

usεr11852