问题描述
过拟合是指模型对于训练数据拟合过当,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。
解决方案
1. 获得更多的训练数据
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。使用更多的训练数据是解决过拟合问题最有效的手段。
可以通过一定的规则来扩充训练数据。比如,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;还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。
3. 降低部分样本的维度
降低数据集中样本的维度。
4. 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。L2正则化是原来的损失函数加上权重参数的平方和。
正则化的目的是限制参数过多或者过大,避免模型更加复杂。
5. 集成学习方法
集成学习是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。
bagging,该方法通常考虑的是同质弱学习器,相互独立地并行学习这些弱学习器,并按照某种确定性的平均过程将它们组合起来。
boosting,该方法通常考虑的也是同质弱学习器。它以一种高度自适应的方法顺序地学习这些弱学习器(每个基础模型都依赖于前面的模型),并按照某种确定性的策略将它们组合起来。
参考资料:如何解决过拟合问题