机器学习:什么是欠拟合和过拟合

1. 什么是欠拟合和过拟合

先看三张图片,这三张图片是线性回归模型 拟合的函数和训练集的关系

  1. 第一张图片拟合的函数和训练集误差较大,我们称这种情况为 欠拟合
  2. 第二张图片拟合的函数和训练集误差较小,我们称这种情况为 合适拟合
  3. 第三张图片拟合的函数完美的匹配训练集数据,我们称这种情况为 过拟合

  

类似的,对于逻辑回归同样也存在欠拟合和过拟合问题,如下三张图

  

2. 如何解决欠拟合和过拟合问题

欠拟合问题,根本的原因是特征维度过少,导致拟合的函数无法满足训练集,误差较大。

欠拟合问题可以通过增加特征维度来解决。

过拟合问题,根本的原因则是特征维度过多,导致拟合的函数完美的经过训练集,但是对新数据的预测结果则较差

解决过拟合问题,则有2个途径:

  1. 减少特征维度; 可以人工选择保留的特征,或者模型选择算法
  2. 正则化; 保留所有的特征,通过降低参数θ的值,来影响模型

3. 正则化

回到前面过拟合例子, h(x) = θ0 + θ1x1 + θ2x2 + θ3x3 + θ4x4

 

从图中可以看出,解决这个过拟合问题可以通过消除特征x3和x4的影响, 我们称为对参数的惩罚, 也就是使得参数θ3, θ4接近于0。

最简单的方法是对代价函数进行改造,例如

这样在求解最小化代价函数的时候使得参数θ3, θ4接近于0。

正则化其实就是通过对参数θ的惩罚来影响整个模型

4. 线性回归使用正则化

前面几篇文章中,线性回归的代价函数J(θ)表达式如下

正则化后,代价函数J(θ)表达式如下,注意j从1开始

注意λ值不能设置过大,否则会导致求出的参数除了θ0,其它θ1,θ2 ... θn值约等于0,导致预测函数h(x)出现极大偏差

我们的目标依然是求J(θ)最小值,我们还是用梯度下降算法正规方程求解最小化J(θ)

1. 梯度下降算法(注意需要区分θ0和其它参数的更新等式)

2. 正规方程

对于正规方程来,需要修改等式如下

系数λ 所乘的矩阵为 (n+1)*(n+1)维

5. 逻辑回归使用正则化

和线性回归模型类型,逻辑回归也可以通过正则化来解决过拟合问题。

逻辑回归的代价函数J(θ)表达式如下

正则化逻辑回归的代价函数,是在等式后加上一项,注意j从1开始

 

同样的用梯度下降算法求解最小化J(θ),也需要做改变

不同的是逻辑回归模型中的预测函数 h(x)和线性回归不同





阅读更多
换一批

没有更多推荐了,返回首页