过拟合和欠拟合

目录

过拟合和欠拟合是什么？

过拟合/高方差（overfiting/high variance）

欠拟合/高偏差（underfiting/high bias）

---

过拟合和欠拟合是什么？

欠拟合和过拟合属于对立情况，都是导致模型泛化能力不高的两种常见原因，均是模型学习能力和数据复杂性失调的表现。 

过拟合/高方差（overfiting/high variance）

过拟合是什么以及检验方法？

问题表现方式：高方差

→如果训练集和测试集的误差间呈现较大的差异时，即为高方差；

→在高方差时，训练集训练效果很好，但是验证集的验证效果很差的时候，即训练集和验证集呈现出较大的差异，即模型的泛化能力差，这种现象称为过拟合。

检验方法：此时，观察模型在训练集和测试集上的损失函数值随着epoch的变化情况，当模型在测试集上的损失函数值出现先下降后上升，那么此时可能出现过拟合。

导致过拟合的原因是什么？

1、训练集数量不足，样本类型单一：例如，如果我们利用只包含负样本的训练集训练模型，然后利用训练好的模型预测验证集中的正样本时，此时就会出现，模型在训练的时候效果特别好，但是在验证的时候效果下降问题。因此，在选取训练集时，应当覆盖所有的数据类型。

2、训练集中存在噪声：噪声是指训练数据集中的干扰数据，噪声数据会误导模型记录较多的错误特征，而忽略了真实样本中的正确特征信息。

3、模型复杂度过高：当模型过于复杂时，会导致模型过于充分地学习到训练数据集中的特征信息，但是遇到没有见过的数据的时候不能够变通，泛化能力太差。我们希望模型对不同的数据都有稳定的输出。模型太复杂是过拟合的重要因素。

过拟合的解决方法是什么？

1、标注不同类型的样本，是样本尽可能的均衡。数据经过清洗之后再进行模型训练，防止噪声数据干扰模型；

2、降低训练模型复杂度。在训练和建立模型的时候，从相对简单的模型开始，不要一开始就把特征做的非常多，模型参数挑的非常复杂；

3、正则化。在模型算法中添加惩罚函数来防止模型出现过拟合问题。常见的有L1,L2,dropout正则化等。而且L1正则化还可以自动进行特征选择；

4、采用bagging（如随机森林等）集成学习来防止过拟合；

5、减少特征个数（不是太推荐，但也是一种方法）。可以使用特征选择，减少特征数或使用较少的特征组合，对于按区间离散化的特征，增大划分的区间；

6、交叉检验。利用交叉检验的方法，来让模型得到充分的训练，以得到较优的模型参数；

7、早停策略。本质上是交叉验证策略，选择合适的训练次数，避免训练的网络过度拟合训练数据；

8、dropout策略。核心思想就是bagging，可以看作是低成本的集成学习。所谓的Dropout指的是在用前向传播算法和反向传播算法训练DNN模型时，一批数据迭代时，随机的从全连接DNN网络中去掉一部分隐藏层的神经元。在对训练集中的一批数据进行训练时，我们随机去掉一部分隐藏层的神经元，并用去掉隐藏层的神经元的网络来拟合我们的一批训练数据。使用基于dropout的正则化比基于bagging的正则化简单，这显而易见，当然天下没有免费的午餐，由于dropout会将原始数据分批迭代，因此原始数据集最好较大，否则模型可能会欠拟合。

欠拟合/高偏差（underfiting/high bias）

欠拟合是什么及检验方法？

问题表现：高偏差

→如果训练集和测试集的误差收敛但是收敛值很高时，即为高偏差；

→虽然训练集和测试集都可以收敛，但是偏差很高，训练集和验证集的准确率都很低，这种现象称为欠拟合；

导致欠拟合的原因是什么？

原因：模型没有充分学习到数据中的特征信息，使得模型无法很好地拟合数据

欠拟合的解决方法是什么？

1、特征工程。添加更多的特征项，eg：特征组合、高次特征等，来增大假设空间；

2、集成学习方法。boosting（如GBDT）能有效解决high bias；

3、提高模型复杂度。当所采用的模型比较简单，不能够应对复杂的任务。可以考虑提升模型复杂度，选用复杂度更好、学习能力更强的模型。比如说可以使用SVM的核函数，增加了模型的复杂度，把低维不可分的数据映射到高位空间，就可以线性可分，减小欠拟合；

4、减小正则化系数。