将神经网络表达为数学模型,即y=Wx,训练网络的过程,即使网络学习得到各种参数W,并且保证误差较小
一般机器想要尽量减小误差值,使对于训练数据的误差值为1,但当使用新的一组数据训练网络时,误差就会急剧上升,即无法表达除训练数据以外的其他数据
一般导致过拟合问题,是由于数据量过少
解决过拟合问题
1.增加数据集
2.使用正则化:过拟合时,网络训练的参数W变化率会很大,每训练一次网络会进行反向误差传播,来改变参数W,误差cost=(Wx-real y)的平方,即生成数减去真实数的平方。正则化的方法就是当W变化较大时,我们让cost也跟着变大,即一种惩罚机制
L1:令cost=(Wx-real y)的平方 + abs(W)
L2:令cost=(Wx-real y)的平方 + W的平方
以及类推Ln:令cost=(Wx-real y)的平方 + W的n次方
3.Dropout regularization:在开始训练网络时,随机忽略掉一些神经元和神经的连接,使用不完整的神经网络进行训练,然后再随机忽略一些其他神经元和神经的连接,再进行训练,根据随机Dropout的规则,让预测结果不依赖某一部分特定的神经元