第3周作业过拟合和欠拟合的表现，及解决方式

最新推荐文章于 2025-06-03 22:43:38 发布

chaoliu_lc

最新推荐文章于 2025-06-03 22:43:38 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

文章标签： dl

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/liuchaohs/article/details/88116875

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：
- $J(w)=MSEtrain+λw⊤wJ(w)=MSE_{train} + \lambda w^{\top} w$
  $λ\lambda$ 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

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。