深入理解机器学习中的欠拟合与过拟合_怎么从损失函数中看出过拟合了-CSDN博客

本文链接：https://blog.csdn.net/csdn1561168266/article/details/143985899

大家好，在机器学习中构建一个能够很好泛化的模型至关重要，我们希望模型不仅能在训练数据上表现优秀，还能在未见过的测试数据上取得相似的结果。然而，这个过程中常常会遇到两个常见的问题：欠拟合（Underfitting）和过拟合（Overfitting）。

欠拟合就像是学生只看了课本的封面就去参加考试，没掌握足够的知识，导致考试成绩糟糕。过拟合就像是学生死记硬背了课本上的所有例题，却没有真正理解问题的本质，导致他只能应对熟悉的题目，对于新题目无从下手。

1.欠拟合与过拟合的定义

1.1 欠拟合

欠拟合是当模型太简单，无法捕捉数据中的复杂模式时发生的情况。模型在训练集上表现不佳，同时在测试集上也无法提供良好的预测，这意味着模型没有“学”到足够的知识来解释数据。

欠拟合的常见表现：

在训练集和测试集上的误差都很高。
模型无法准确描述数据的趋势或模式。

欠拟合的原因：

使用了过于简单的模型。例如，使用线性模型去拟合高度非线性的数据。
训练时间太短，模型没有得到充分的学习。
特征工程不充分，数据中重要的特征没有被包含在模型中。

1.2 过拟合

过拟合发生在模型过于复杂，甚至学到了训练数据中的噪声和细节，导致在训练集上表现极好，但在测试集上效果不好，这种模型在新数据上的泛化能力较差。

过拟合的常见表现：

在训练集上表现非常好，但在测试集上表现不佳。
模型拟合了数据中的噪声，记住了细节，却忽略了数据的整体规律。

过拟合的原因：

模型复杂度过高，参数过多。比如使用高阶多项式去拟合线性关系的数据。
训练数据过少，模型为了提高在训练集上的表现，开始学习噪声。

1.3 模型的泛化能力

泛化能力是指模型不仅能在训练数据上表现良好，还能在测试数据（未见过的数据）上表现优异。理想的模型应该能够在训练集上达到适度的拟合，同时能对测试集保持良好的预测效果。

为了更直观地理解欠拟合和过拟合，假设有一个二元数据集，模型需要通过一条曲线来拟合数据，来看一下图中三种不同的情况：

第一张图表示欠拟合：模型是线性的，数据呈现复杂的非线性模式，线性模型无法很好地拟合这些数据。

第三张图表示过拟合：模型使用了非常高阶的多项式，拟合了每一个数据点，包括数据中的噪声。

第二张图表示正确拟合：模型适当复杂，能够准确捕捉数据的主要趋势和模式，能够泛化。

2.欠拟合与过拟合的数学表达

2.1 欠拟合

欠拟合通常发生在模型偏差（Bias）较高的情况下，偏差是指模型无法准确捕捉数据中的模式。此时，模型的损失函数L很大，计算公式为：

其中：

$y_{i}$ 是真实值； $y\hat{}_{i}$ 是模型预测值； $n$ 是样本数量。

由于模型简单，预测值与真实值相差较大，造成了高偏差。

2.2 过拟合

过拟合与模型的方差（Variance）有关。方差较高意味着模型对训练数据中的每一个细节和噪声做出了过度反应，导致它在训练集上表现非常好，但在测试集上表现不佳。损失函数可能在训练集上很小，但在测试集上很大。

在数学上，方差高的模型在训练数据上的拟合效果会非常好，但在未见过的数据上预测不准确，失去了泛化能力。

3.欠拟合与过拟合的Python示例

接下来，通过Python的代码示例来展示欠拟合、过拟合以及正确拟合的模型表现。

3.1 数据生成

我们将生成一个简单的二元数据集，数据大致符合二次函数的趋势，并添加一些随机噪声。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
np.random.seed(0)
X = np.linspace(0, 10, 100)
y = 2 * X**2 + 1 + np.random.randn(100) * 10  # 添加噪声

# 绘制数据
plt.scatter(X, y, color='blue', label='数据点')
plt.title('数据集')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

3.2 欠拟合示例：使用线性模型拟合复杂数据

首先使用线性模型来拟合一个非线性的数据集，看看欠拟合的情况。

from sklearn.linear_model import LinearRegression

# 线性拟合
model = LinearRegression()
model.fit(X.reshape(-1, 1), y)

# 预测
y_pred = model.predict(X.reshape(-1, 1))

# 绘制拟合曲线
plt.scatter(X, y, color='blue', label='数据点')
plt.plot(X, y_pred, color='red', label='线性拟合')
plt.title('欠拟合示例')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

3.3 过拟合示例：使用高阶多项式模型拟合数据

接下来，使用一个非常复杂的多项式模型来拟合数据，展示过拟合的情况。

from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline

# 使用高阶多项式拟合
poly_model = make_pipeline(PolynomialFeatures(degree=15), LinearRegression())
poly_model.fit(X.reshape(-1, 1), y)

# 预测
y_pred_poly = poly_model.predict(X.reshape(-1, 1))

# 绘制拟合曲线
plt.scatter(X, y, color='blue', label='数据点')
plt.plot(X, y_pred_poly, color='green', label='过拟合的多项式拟合')
plt.title('过拟合示例')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

3.4 正确拟合示例：使用适当复杂度的多项式模型

下面展示如何使用合适的多项式模型来进行合理的拟合，避免欠拟合和过拟合。

# 使用较低阶的多项式拟合
poly_model_correct = make_pipeline(PolynomialFeatures(degree=2), LinearRegression())
poly_model_correct.fit(X.reshape(-1, 1), y)

# 预测
y_pred_correct = poly_model_correct.predict(X.reshape(-1, 1))

# 绘制拟合曲线
plt.scatter(X, y, color='blue', label='数据点')
plt.plot(X, y_pred_correct, color='orange', label='正确拟合的多项式拟合')
plt.title('正确拟合示例')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()