Backto ML Index
在训练一个模型的时候，通常我们会先在一个训练集(training set) 上让模型学习，然后放到一个陌生的测试集(test set)上让模型考试。在 training set 上的误差称为训练误差(training error), test set 上的误差称为 泛化误差(generalization error/test error).
对于一个模型而言，我们最关注的是最终的 generalization error，这代表了模型解决实际问题的能力。
本文探讨了机器学习中模型的容量概念，以及过拟合和欠拟合的问题。容量关乎模型能学习到的复杂度，如果模型容量不足，可能导致欠拟合，即在测试集上的误差过高。相反，模型过度复杂，容易在训练集上表现优秀但在测试集（实际问题）上出现过拟合，泛化误差增大。识别并处理过拟合是提升模型性能的关键。
最低0.47元/天 解锁文章
扫一扫
377
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
