本文探讨了过度拟合的概念，指出其在机器学习中导致模型在训练数据上表现优秀，但在测试数据上表现不佳的问题。决策树和人工神经网络是两个容易发生过度拟合的算法，其成因包括训练样本中的噪声和数量不足。解决方案包括决策树的后修剪法以及在神经网络中引入SVM。强调使用验证集合来检测过度拟合的重要性。
主要参考书 《Machine Learning》Tom M.Mitchell
过度拟合现象描述：
死扣细节而忽略其他更重要的问题，过度在意细节而忽略大趋势。
或者说，当数据中有噪声或训练样例的数量太少以至于不能产生目标函数的有代表性的条件时，策略会遇到困难。
或者说，当数据中有噪声或训练样例的数量太少以至于不能产生目标函数的有代表性的条件时，策略会遇到困难。
决策树
现象：
算法在训练样例上表现很好，在测试样例上表现不好。
看张图，来自参考书中：
最低0.47元/天 解锁文章
扫一扫
1048
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
