过拟合与欠拟合

过拟合(overfitting)与欠拟合(underfitting)：

场景描述：

在模型评估与调整的过程中，往往会遇到“过拟合”或“欠拟合”的情况。如何有效地识别“过拟合”和“欠拟合”现象，并有针对性进行模型调整，是不断改进机器学习模型的关键。特别是在实际项目中，采用多种方法、从多个角度降低“过拟合”和“欠拟合”的风险是应当具备的基础知识。

在模型的评估过程中，过拟合和欠拟合具体是指什么现象呢？

过拟合(overfitting)是指模型对于训练数据拟合呈现过当的情况，反应在评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上表现的较差。

欠拟合(underfitting)指的是模型在训练和预测时表现都不好的情况。

下图形象的描述了过拟合和欠拟合的区别：

可以看出，图（a）是欠拟合的情况，拟合的黄线没有很好地捕捉到数据的特征，不能够很好地拟合数据。图（c）则是过拟合的情况，模型过于复杂，把噪声数据的特征也学习到模型中，导致模型的泛化能力下降，在后期应用过程中很容易输出错误的预测结果。

几种降低过拟合和欠拟合风险的方法？

降低“过拟合”风险的方法：

1）从数据入手，获得更多的训练数据。使用更多的训练数据是解决过拟合问题最有效的手段，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。当然，直接增加实验数据一般是很困难的，但是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；更进一步地，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。例如，在神经网络模型中 Dropout 减少网络层数、神经元个数等；在决策树模型中降低树的深度、进行剪枝等。

3）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。以L2正则化为例：

这样，在优化原来的目标函数C0 的同时，也能避免权值过大带来的过拟合风险。

4）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。

 

降低“欠拟合”风险的方法：

1）添加新特征。当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。通过挖掘“上下文特征”“ID类特征”“组合特征”等新的特征，往往能够取得更好的效果。在深度学习潮流中，有很多模型可以帮助完成特征工程，如因子分解机、梯度提升决策树、Deep-crossing等都可以成为丰富特征的方法。

2）增加模型复杂度。简单模型的学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能力。例如，在线性模型中添加高次项，在神经网络模型中增加网络层数或神经元个数等。

3）减小正则化系数。正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要有针对性地减小正则化系数。

 

内容来源：百面机器学习