过拟合和欠拟合

尝试不同的模型
既然有一种可靠的方法来测量模型精度，那么可以尝试使用其他模型，并查看哪种模型可以提供最佳预测。 但是对模型有什么选择？

可以在scikit-learn的文档中看到决策树模型有很多选项（比您长期想要或需要的更多）。 最重要的选项决定了树的深度。 回想一下这个微课程的第一课，树的深度是衡量它在进行预测之前分裂的数量。 这是一棵相对较浅的树

在实践中，树在顶层（所有房屋）和叶子之间有10个分裂并不罕见。 随着树木越来越深，数据集被切成了更少房屋的树叶。 如果树只有1个分割，则将数据分为2组。 如果每组再次拆分，我们将获得4组房屋。 再次拆分每个将创建8个组。 如果我们通过在每个级别添加更多分组来保持组的数量翻倍，那么当我们到达第10级时，我们将拥有210组房屋。 这是1024片叶子。

当我们将房屋分成许多树叶时，每片树叶的房屋数量也会减少。 拥有极少数房屋的树叶将做出与房屋实际值非常接近的预测，但它们可能会对新数据做出非常不可靠的预测（因为每个预测仅基于少数房屋）。

这是一种称为过度拟合的现象，其中模型几乎完美地匹配训练数据，但在验证和其他新数据方面表现不佳。 另一方面，如果我们使树很浅，它不会将房屋分成非常不同的组。

在极端情况下，如果一棵树将房屋分成2或4，每个房屋仍然有各种各样的房屋。 对于大多数房屋来说，结果预测可能相差甚远，即使在训练数据中也是如此（由于同样的原因，验证也会很糟糕）。 当模型无法捕获数据中的重要区别和模式时，即使在训练数据中它也表现不佳，这称为欠拟合。

由于我们关注新数据的准确性，我们根据验证数据估计，我们希望找到欠拟合和过度拟合之间的最佳点。 在视觉上，我们想要（红色）验证曲线的低点

例子

有一些控制树深度的替代方案，并且许多允许通过树的一些路线具有比其他路线更大的深度。 但是max_leaf_nodes参数提供了一种非常合理的方法来控制过度拟合与欠拟合。 我们允许模型生成的叶子越多，我们从上图中的欠拟合区域移动到过度拟合区域。

我们可以使用效用函数来帮助比较max_leaf_nodes的不同值的MAE分数：

from sklearn.metrics import mean_absolute_error
from sklearn.tree import DecisionTreeRegressor

def get_mae(max_leaf_nodes, train_X, val_X, train_y, val_y):
model = DecisionTreeRegressor(max_leaf_nodes=max_leaf_nodes, random_state=0)
model.fit(train_X, train_y)
preds_val = model.predict(val_X)
mae = mean_absolute_error(val_y, preds_val)
return(mae)

使用您已经看过的代码（以及您已经编写过的代码）将数据加载到train_X，val_X，train_y和val_y中。

我们可以使用for循环来比较使用max_leaf_nodes的不同值构建的模型的准确性。

compare MAE with differing values of max_leaf_nodes

for max_leaf_nodes in [5, 50, 500, 5000]:
my_mae = get_mae(max_leaf_nodes, train_X, val_X, train_y, val_y)
print(“Max leaf nodes: %d \t\t Mean Absolute Error: %d” %(max_leaf_nodes, my_mae))

在列出的选项中，500是最佳叶数。

结论
这是外卖：模型可能会受到以下任何一种情况：

过度拟合：捕获将来不会再发生的虚假模式，导致预测不太准确，或者

不合适：未能捕获相关模式，再次导致预测不准确。

我们使用未在模型训练中使用的验证数据来测量候选模型的准确性。 这让我们可以尝试许多候选模型并保持最好的模型。