百面机器学习 #2 模型评估：07 过拟合和欠拟合及其常用解决方法

如何有效地识别“过拟合”和“欠拟合”现象，并有针对性地进行模型调整，是不断改进机器学习模型的关键。

• 过拟合
  • 模型对于训练数据拟合呈过当的情况
  • 反映到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现较差
  • 模型过于复杂，容易把噪声数据的特征也学习到模型中，导致模型泛化能力下降，在后期应用过程中很容易输出错误的预测结果
• 欠拟合
  • 模型在训练和预测时表现都不好的情况
  • 没有很好地捕捉到数据的特征，不能够很好地拟合数据

7.1 降低“过拟合”风险的方法

（1）获得更多的训练数据

• 使用更多的训练数据是解决过拟合问题最有效的手段
  • 因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响
• 直接增加实验数据一般是很困难的，可以通过一定的规则来扩充训练数据
  • 在图像分类的问题上，可以通过图像的平移、旋转、缩放等方式扩充数据
  • 更进一步地，可以使用生成式对抗网络来合成大量的新训练数据

（2）降低模型复杂度

• 在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。
  • 在神经网络模型中减少网络层数、神经元个数等
  • 在决策树模型中降低树的深度、进行剪枝等

（3）正则化方法

• 给模型的参数加上一定的正则约束，比如将权值的大小加入到损失函数中

  • 以L2正则化为例，这样，在优化原来的目标函数C0的同时，也能避免权值过大带来的过拟合风险

  $$C=C_0+\frac{\lambda }{2n}\cdot \sum _i{w}_i^2$$

（4）集成学习方法

• 把多个模型集成在一起，来降低单一模型的过拟合风险
  • 如Bagging方法

7.2 降低“欠拟合”风险的方法

（1）添加新特征

• 当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合
• 通过挖掘“上下文特征”“ID类特征”“组合特征”等新的特征，往往能够取得更好的效果
  • 如因子分解机、梯度提升决策树、Deep-crossing等都可以成为丰富特征的方法

（2）增加模型复杂度

• 增加模型的复杂度可以使模型拥有更强的拟合能力
  • 在线性模型中添加高次项
  • 在神经网络模型中增加网络层数或神经元个数等

（3）减小正则化系数

• 正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要有针对性地减小正则化系数。