机器学习Day4——欠拟合与过拟合

本栏目为本人自学B站各位好心的博主所录视频过程中记录下来的笔记，出处基本来自于B站视频博主以及csdn中各位大佬的解释，我只起到了转载的作用。因来源过于复杂，因此无法标注来源。

1.欠拟合与过拟合

通俗直观的理解：

• 欠拟合
  当机器所学习到的特征过少时，就会在测试集的表现上特别的差。
• 过拟合
  当机器所学习到的特征过多时，也会在测试集的表现上也很差。

定义：

• 过拟合
  一个假设在训练数据上能够获得比其他假设更好的拟合，但是在测试数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。(模型过于复杂)
• 欠拟合
  一个假设在训练数据上不能获得更好的拟合，并且在测试数据集上也不能很好地拟合数据，此时认为这个假设出现了欠拟合的现象。(模型过于简单)

原因及解决办法：

• 欠拟合原因及解决办法
  • 原因：学习到数据的特征过少
  • 解决办法：增加数据的特征数量
• 过拟合原因以及解决办法
  • 原因：原始特征过多，存在一些嘈杂特征，模型过于复杂是因为模型尝试去兼顾各个测试数据点
  • 解决办法：正则化

2. 正则化类别

• L2正则化
  • 作用:可以使得其中一些w的都很小，都接近于0，削弱某个特征的影响。
  • 优点:越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象
  • Ridge回归
  • 加入L2正则化后的损失函数:
    

  注：m为样本数，n为特征数

• L1正则化
  • 作用:可以使得其中一些W的值直接为0，删除这个特征的影响
  • LASSO回归