什么是过拟合(Overfitting)

本文探讨了神经网络模型在训练过程中可能出现的过拟合问题,过拟合会导致模型在训练数据上表现良好,但在新数据上泛化能力下降。主要原因是训练数据量不足。解决过拟合的方法包括增加数据集、应用正则化(如L1和L2正则化)以及采用Dropout Regularization技术,通过随机忽略部分神经元来提高模型的泛化能力。
摘要由CSDN通过智能技术生成

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

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
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

打赏作者

PL_涵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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