PyTorch入门实战教程笔记（十七）：过拟合1

PyTorch入门实战教程笔记（十七）：过拟合1

过拟合&欠拟合

在模型评估与调整的过程中，往往会遇到“过拟合”或“欠拟合”的情况。如何有效地识别“过拟合”和“欠拟合”现象，并有针对性进行模型调整，是不断改进机器学习模型的关键。那么过拟合和欠拟合具体是指什么现象呢？

过拟合(overfitting)是指模型的参数量，模型的表达能力，已经超越本身模型的复杂度。反应在评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上表现的较差。

欠拟合(underfitting)指的是模型在训练和预测时表现都不好的情况，一般少见。

下图形象的描述了过拟合和欠拟合的区别：

可以看出，图（1）是欠拟合的情况，图（3）则是过拟合的情况，模型过于复杂，把噪声数据的特征也学习到模型中，导致模型的泛化能力下降，在后期应用过程中很容易输出错误的预测结果。
　　那么如果防止或者降低overfitting，我们有一下方法：

1）使用更多的训练数据。更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。当然，直接增加实验数据一般是很困难的，但是可以通过一定的规则来扩充训练数据。比如，在图像分类的问题上，可以通