本文深入探讨了模型误差ModelError的两个主要来源：Bias（偏差）和Variance（方差）。Bias通常源于模型过于简单，无法充分捕捉数据特征，表现为训练数据上的拟合不足。解决方法包括增加模型复杂度或引入更多特征。而Variance则源于模型过度复杂，导致过拟合，即训练数据上表现优异但在测试数据上误差显著。解决策略涉及收集更多数据或应用正则化技术。
model error的来源包括两部分：bias和variance。
1、bias
uderfitting，模型太弱。
表现：在train data上都不能很好fit数据。
解决：重新设计model，可以加入更多的feature/增加模型的复杂度（如：使用feature的3次函数替代线性函数）
2、variance
overfitting，模型过于复杂，容易受数据影响。
表现：在train data上表现很好，在test data上error很大。
解决：more data; regularization(现在拟合函数都是比较平缓的，小系数)
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
