李宏毅_深度学习之线性回归误差来源

本文探讨了机器学习中误差的两大来源——偏置与方差,并通过直观的例子进行说明。此外,还介绍了如何根据模型复杂度避免过拟合与欠拟合的问题。

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

1.误差来源

误差来源

1.1偏置与方差

期望
方差
估计1
以射击为例。f^为估计值即靶的中心,误差来源一是由于瞄准时候带来的(bias),二是由于子弹下坠所带来的的(variance)。
打靶

1.1方差

方差

1.2 偏置

偏置

1.3 模型分析

1.3.1模型复杂度

简单模型与复杂模型的分析如图所示,从左到右,由简单到复杂。
模型

1.3.2 过拟合、欠拟合

过拟合与欠拟合,通俗的讲。以树叶为例,过拟合会认为特定纹理的树叶才是树叶,欠拟合就是认为所有绿色的都是树叶。
欠拟合:
偏置过大
过拟合:
方差过大

2.模型选择

2.1 模型选择

模型选择

2.2 模型检测

检测1
K折线

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