6、过拟合和欠拟合
欠拟合:模型不能很好的拟合分类
过拟合:模型对分类拟合的过于好
- 欠拟合的解决方法:
增加输入特征项
增加网络参数
减少正则化参数
- 过拟合的解决方法:
数据清洗
增大训练集
采用正则化
增大正则化参数
6.1 正则化缓解过拟合
正则化在损失函数中引入模型复杂度指标,利用给W加权重,弱化了训练数据的噪声(一般只对w正则化,不正则化b)
正则化有L1正则化和L2正则化:
正则化的选择:
L1正则化大概率会使很多参数变为零,因此该方法可通过稀疏参数,即减少参数的数量,降低复杂度。
L2正则化会使参数很接近零但不为零,因此该方法可通过减小参数值的大小降低复杂度。