过拟合

转载于 2018-07-26 08:15:00 发布 · 57 阅读

·

0

·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/bafenqingnian/p/9369629.html

文章标签：

本文探讨了如何通过交叉验证、增加数据量、剔除无用特征、应用正则化及集成学习等方法来降低机器学习模型的过拟合风险，并提高其泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简单的模型有较大的偏差和较小的方差，复杂的模型在预测中有更大的方差。

交叉验证

使用更多数据

删除无用特征

正则化

集成学习

转载于:https://www.cnblogs.com/bafenqingnian/p/9369629.html

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。