1. 过拟合表现:
- 模型对训练集表现很好,对测试集拟合不好
- Loss(训练)小,Loss(测试)大
2. 过拟合解决方式:
- 增加数据量,数据增强
- 提前终止
- 正则化:
-
J
(
w
)
=
M
S
E
t
r
a
i
n
+
λ
w
⊤
w
J(w)=MSE_{train} + \lambda w^{\top} w
J(w)=MSEtrain+λw⊤w
λ \lambda λ越大,越偏向小的权重 - dropout(随机失活)
-
J
(
w
)
=
M
S
E
t
r
a
i
n
+
λ
w
⊤
w
J(w)=MSE_{train} + \lambda w^{\top} w
J(w)=MSEtrain+λw⊤w
3. 欠拟合表现:
- 模型对数据的拟合度不高
- Loss(train)和Loss(test)均高
4. 欠拟合解决方式:
此时盲加数据是无用的
- 增加模型复杂度
- 添加其他特征项
- 减少正则化的程度