Torch_4_过拟合与欠拟合

介绍

---

过拟合与欠拟合是DL中永恒的问题，其本质上是模型容量与数据复杂度之间进行匹配的结果。

数据复杂度很好理解，就是我们想要学习的数据中特征的复杂程度，预测股市或者房价模型的数据肯定比预测$y=ax+b$模型的数据复杂。
一般来说，越复杂的数据就需要越复杂的模型进行拟合。

模型容量描述的就是模型的复杂程度，一般可以用模型的参数数量、参数值范围和网络的深度等角度来衡量。

过拟合本质上就是模型过于复杂从而导致的强学习能力，不仅学习到样本数据中的特征，也学习到噪音的特征，甚至于，记住了所有的样本。

-	简单数据	复杂数据
简单模型	-	欠拟合
复杂模型	过拟合	-

控制手段

---

（目前了解的，后续再补充）

• 权重衰退

  • 思想是在损失计算时，加入权重范数$||w|{|}^2<\theta$的限制
  • 限制的是模型的参数范围
  • 为方便计算，采用惩罚（penalty）的方式，
    • $loss=loss+\frac{\lambda }{2}||w|{|}^2$, 通过设置λ柔性限制
  • 梯度更新时，
    • 使 $w_{t+1}=(1-\eta \lambda )w_t-\eta \frac{\partial l}{\partial w}$，
    • 每次更新缩减权重，衰退，控制参数范围

• DropOut

  • 思想很简单，每次训练时只选取隐藏层的部分节点参与模型训练
  • 限制的是模型的参数数量
  • 一般可配合交叉验证方法
    

• 其他

  • 数据预处理、数据增强之类的