编程小白冲Kaggle每日打卡（16）--kaggle学堂：＜机器学习简介＞欠拟合与过拟合

Kaggle官方课程链接：Underfitting and Overfitting

本专栏旨在Kaggle官方课程的汉化，让大家更方便地看懂。

Underfitting and Overfitting

微调你的模型以获得更好的性能。

在这一步结束时，您将了解欠拟合和过拟合的概念，并能够应用这些想法使您的模型更加准确。

尝试不同的模型

现在你有了一种可靠的方法来衡量模型的准确性，你可以尝试其他模型，看看哪种模型能给出最好的预测。但是，对于模型，你有什么替代方案呢？

您可以在scikit-learn的文档中看到，决策树模型有很多选项（比您在很长一段时间内想要或需要的更多）。最重要的选项决定了树的深度。回想一下本课程的第一课，树的深度是衡量它在做出预测之前分裂了多少次的指标。这是一棵相对较浅的树

在实践中，一棵树在顶层（所有房屋）和一片叶子之间有10个裂缝并不罕见。随着树越来越深，数据集被切成叶子，房子越来越少。如果一棵树只有1个分割，它会将数据分为2组。如果每组再次拆分，我们将得到4组房屋。再次拆分每个组将创建8个组。如果我们通过在每个级别添加更多拆分来将组的数量增加一倍，我们就会有2^10.
当我们到达第10层时，已经有几组房子了。这是1024片叶子。

当我们把房子分成许多叶子时