Methods-贸泽技术与解决方案杂志，及时了解技术创新与工程设计方面的重要资讯。
Issue link: https://trendsintech.mouser.com/i/1540278
它对低复杂度模型特别有效，因为它 能直接衡量基于概率的预测的准确 性，确保模型能够准确区分两个类别。 均方误差 MSE通常应用于以预测连续值（如 房价或温度）为目标的回归任务，它 计算预测值与实际值之间的平均 方差。这种方法计算量小、操作简 单，在资源有限的环境中非常实用。 铰链损失 这种损失函数用于支持向量机（SVM）， 这是一种专为分类任务设计的模 型。铰链损失会在决策边界周围 产生一个余量，确保预测结果有把 握地落在边界的一侧。它对较小的 数据集和较简单的嵌入式系统特别 有效，因为在这些系统中，计算效 率和稳健分类是优先考虑的因素。 优化嵌入式系统ML模型的 其他技术 除了前面提到的方法外，以下 技术还可以帮助嵌入式设计人 员进一步优化ML模型。 特征工程与选择 有效地设计和选择特征，可以显著 简化模型，同时降低计算和内存需 求。模型可以通过关注最相关的信 息，以更少的资源实现更好的性能。 特征重要性分析 这一过程包括确定哪些特征会对模型 的预测产生显著影响。通过优先考虑 这些关键特征、摒弃不相关的特征，模 型就会变得更加高效和准确。例如，在 温度监测系统中，关注天气趋势可能比 关注时间戳等不太相关的数据更重要。 降维 主成分分析（PCA）和t分布随机邻域 嵌入（t-SNE）等技术可通过汇总或 压缩数据来减少输入特征的数量，同 时保留基本特征。此举能够尽可能降 低内存和计算需求，使模型更快、更 轻量，从而更适合嵌入式系统。 超参数调优 调整超参数（控制模型学习方式的设 置）会显著影响模型的效率和准确性， 尤其是在资源有限的嵌入式设备上。 随机搜索和网格搜索 随机搜索是一种超参数调优技术，在 指定范围内随机抽取超参数组合。与 穷举所有可能组合进行求值的网格 图2：低秩分解保留了大部分必要信息，并且只会引入微小的近似误差，从而能够在物联网硬件和微控制 器等资源受限的设备上进行高效的推理和训练。（图源：Green Shoe Garage，贸泽重新绘制） 33 |