训练误差与测试误差
当损失函数给定时,基于损失函数的模型的训练误差 (training error) 和模型的测试误差 (test error) 就自然成为学习方法评估的标准。但是,统计学习方法具体采用的损失函数未必是评估时使用的损失函数。
这句理解下,参考下在数据科学比赛中给出的评分标准,与实际学习采用的损失函数之间的关系。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200822154221672.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTE3ODYxMQ==,size_16,color_FFFFFF,t_70#pic_center)
过拟合
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200822155125833.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTE3ODYxMQ==,size_16,color_FFFFFF,t_70#pic_center)
在多项式函数拟合中可以看到,随着多项式次数(模型复杂度)的增加,训练误差会减小,直至趋向于0 ,但是测试误差却不如此,它会随着多项式次数(模型复杂度)的增加先减小而后增大。而最终的目的是使测试误差达到最小。这样,在多项式函数拟合中,就要选择合适的多项式次数。