1 欠拟合
表现:预测结果不准确
原因:学习到数据的特征过少
解决:增加数据的特征数量
2 过拟合
表现:训练集上表现得好,测试集上不好
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:
正则化
L1
损失函数 + λ惩罚项
LASSO
L2 更常用
损失函数 + λ惩罚项
Ridge - 岭回归
欠拟合与过拟合
最新推荐文章于 2022-11-17 09:15:52 发布