过拟合讨论



过拟合就是模型把数据学习的太彻底，以至于把噪声数据的特征也学习到了，这样就会导致在后期测试的时候不能够很好地识别数据，即不能正确的分类，模型泛化能力太差。
过拟合原因：
1 使用过于复杂的模型，
2 数据噪声过大
3 训练数据少
降低过拟合方法：
1 简化模型假设，或者使用惩罚项限制模型复杂度，或者减少神经网络隐藏层节点数
2 进行数据清洗，减少噪声 （删除稀疏的特征）
3 收集更多训练数据

高斯核的使用增加模型复杂度，导致过拟合