第3周作业 过拟合和欠拟合的表现,及解决方式

本文深入探讨了机器学习中常见的过拟合与欠拟合问题,详细阐述了两者的表现特征及解决策略,包括增加数据量、数据增强、提前终止、正则化、dropout等方法,并解释了如何通过调整模型复杂度来应对欠拟合。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 过拟合表现:

  • 模型对训练集表现很好,对测试集拟合不好
  • Loss(训练)小,Loss(测试)大

2. 过拟合解决方式:

  • 增加数据量,数据增强
  • 提前终止
  • 正则化:
    • J(w)=MSEtrain+λw⊤wJ(w)=MSE_{train} + \lambda w^{\top} wJ(w)=MSEtrain+λww
      λ\lambdaλ越大,越偏向小的权重
    • dropout(随机失活)

3. 欠拟合表现:

  • 模型对数据的拟合度不高
  • Loss(train)和Loss(test)均高

4. 欠拟合解决方式:

此时盲加数据是无用的
  • 增加模型复杂度
  • 添加其他特征项
  • 减少正则化的程度
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值