本文探讨了在模型欠拟合时如何通过增加特征项、添加多项式特征以及调整正则化参数来增强模型的泛化能力。特征添加包括组合特征、泛化特征、相关性特征、上下文特征和平台特征等。同时，通过引入二次项或三次项到线性模型中，可以有效提高模型复杂度。减少正则化参数有助于缓解欠拟合问题，让模型更好地拟合训练数据。
1）添加其他特征项，有时候我们模型出现欠拟合的时候是因为特征项不够导致的，可以添加其他特征项来很好地解决。例如，“组合”、“泛化”、“相关性”三类特征是特征添加的重要手段，无论在什么场景，都可以照葫芦画瓢，总会得到意想不到的效果。除上面的特征之外，“上下文特征”、“平台特征”等等，都可以作为特征添加的首选项。
2）添加多项式特征，这个在机器学习算法里面用的很普遍，例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。例如上面的图片的例子。
3）减少正则化参数，正则化的目的是用来防止过拟合的，但是现在模型出现了欠拟合，则需要减少正则化参数。
以上内容均来源于各个版主、牛客网总结
224
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
