分段函数怎么用神经网络进行拟合_对于BP神经网络（感知机）中过拟合现象的一些理解...

1、什么是过拟合

为了使训练数据与训练标签一致，而对模型过度训练，从而使得模型出现过拟合（over-fitting）现象。具体表现为，训练后的模型在训练集中正确率很高，但是在测试集中的变现与训练集相差悬殊，也可以叫做模型的泛化能力差。下图展示了分类模型中过拟合的现象。

(a) (b) (c)

图1：分别对应欠拟合，恰好合适，过拟合（来源：百度百科）

红色×为已知的训练数据（横坐标看做样本维度，纵坐标看做样本标签），蓝色线表示拟合的曲线。尽管更高阶的函数能够更好地描述当前的训练数据，但是当同分布的数据增加时，很有可能不会落到图1(c)的高阶函数曲线上。

2、过拟合出现的原因

（1）建模样本选取有误，如样本数量太少，选样方法错误，样本标签错误等，导致选取的样本数据不足以代表预定的分类规则；

（2）样本噪音干扰过大，使得机器将部分噪音认为是特征从而扰乱了预设的分类规则；

（3）假设的模型无法合理存在，或者说是假设成立的条件实际并不成立；

（4）参数太多&#x