IoU与Overfitting

IoU(intersect over union) 交并比

指目标预测框和真实框的交集和并集的比例。

Overfitting过拟合 

指为了得到一致假设而使假设变得过度严格。左图中蓝线模型是我们希望得到的，红线模型是为了得到最小误差机器学习到的，这就导致不能成功表达除了训练数据以外的其他数据。右图的红线模型的分类错误也是由于过拟合。

解决方法：

1.增加数据量，大部分过拟合产生的原因是因为数据量太少了。

2.正规化，设置惩罚机制，使得误差和机器学习到的参数变化挂钩。

3.dropout，每次训练时随机忽略掉一些神经元和神经联结，用不完整的神经网络训练，使得每次预测结果不会依赖特定神经元。

 参考：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-02-A-overfitting/