超级会员免费看
本文探讨了过拟合和欠拟合的概念，强调了模型泛化能力和鲁棒性的重要性。通过曼哈顿距离和欧氏距离解释了正则化的原理，指出较小的模型参数有助于增强对数据扰动的抵抗力。此外，还介绍了L1和L2正则化，并讨论了在实际项目中如何选择归一化方法，特别是针对天池蒸汽量预测项目中y_train的归一化处理原因。
然后我们再来看一下,过拟合和欠拟合,现在,实际上欠拟合,出现的情况已经不多了,欠拟合是
在训练集和测试集的准确率不高,学习不到位的情况.
然后现在一般碰到的是过拟合,可以看到第二个就是,完全就把红点蓝点分开了,这种情况是不好的,
因为分开是对训练数据进行分开的,如果来了测试数据他的效果就不好了,也就说,泛化能力不行.
然后最理想的是第三个图.
可以看到如果我们有一个2图中的绿点,这个点可以看到,如果按照预测数据来说,也就是正常情况来说,应该分到蓝点部分里,但是,如果过拟合了,就会被分到红点里了,过拟合就会缺乏泛化能力
也就是说,这个模型的鲁棒性不强,什么是鲁棒性?就是健壮性
然后我们再看上面两个公式,实际上来说,参数w,小的好,越小,那么容错性就越好,因为比如,如果一个测试集[32,12
订阅专栏 解锁全文
扫一扫
253
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
