机器学习 -- 多项式回归（Ⅳ 学习曲线）

最新推荐文章于 2024-08-13 01:54:14 发布

m0_38056893

最新推荐文章于 2024-08-13 01:54:14 发布

阅读量1k

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/m0_38056893/article/details/103196174

版权

本文探讨了机器学习中学习曲线的概念，通过比较线性回归和多项式回归的学习曲线，揭示了模型训练过程中的误差变化趋势。线性回归在训练数据集上的误差逐渐升高，测试误差在样本增加后趋于稳定。而多项式回归中，2阶多项式显示出较好的性能，但20阶多项式可能导致过拟合，测试误差增大。总结指出，欠拟合和过拟合的特征以及对模型泛化能力的影响。

摘要由CSDN通过智能技术生成

1. 什么是学习曲线？

随着训练样本的逐渐增多，算法训练出的模型的表现能力的变化情况。

2. 学习曲线的比较

（1）生成测试用例

import numpy as np
import matplotlib.pyplot as plt

x = np.random.uniform(-3, 3, size=100)
X = x.reshape(-1, 1)
# 一元二次方程
y = 0.5 * x ** 2 + x + 2 + np.random.normal(0, 1, size=100)

图像：

（2）划分数据集

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10)
X_train.shape
# (75, 1)

（3）绘制学习曲线

① 线性回归的学习曲线