拟合++++

1、偏差bias: 偏差是指预测结果与真实值之间的差异，排除噪声的影响，偏差更多的是针对某个模型输出的样本误差，偏差是模型无法准确表达数据关系导致，比如模型过于简单，非线性的数据关系采用线性模型建模，偏差较大的模型是错的模型；
2、方差variance: 模型方差不是针对某一个模型输出样本进行判定，而是指多个(次)模型输出的结果之间的离散差异， 注意这里写的是多个模型或者多次模型，即不同模型或同一模型不同时间的输出结果方差较大。方差是由训练集的数据不够导致，一方面量 (数据量) 不够，有限的数据集过度训练导致模型复杂，另一方面质(样本质量)不行，测试集中的数据分布未在训练集中，导致每次抽样训练模型时，每次模型参数不同，输出的结果都无法准确的预测出正确结果。

1、欠拟合（高偏差）

1.1解决方法：

增加特征维度（简单的方法就是加深模型深度）

2、过拟合（高方差）

2.1解决方法

（1）增加数据：

增加数据量/使用数据增强等方法（如mixup，马赛克增强等）

（2）使用合适的模型

减少网络层数、神经元个数等限制网络的拟合能力

（3）使用dropout

dropout代码：

import numpy as np
def dropout(x,p):
    if p<0 or p>1:
        raise  Exception('P must be in [0,1]')
    retain_prob=1-p
    mask=np.random.binomial(n=1,p=retain_prob,size=x.size)
    x*=mask
    x/=retain_prob
    return x

dropout为什么可以避免过拟合

（1）取平均的作用： 先回到正常的模型（没有dropout），我们用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果。（例如 3个网络判断结果为数字9,那么很有可能真正的结果就是数字9，其它两个网络给出了错误结果）。这种“综合起来取平均”的策略通常可以有效防止过拟合问题。因为不同的网络可能产生不同的过拟合，取平均则有可能让一些“相反的”拟合互相抵消。dropout掉不同的隐藏神经元就类似在训练不同的网络（随机删掉一半隐藏神经元导致网络结构已经不同)，整个dropout过程就相当于 对很多个不同的神经网络取平均。而不同的网络产生不同的过拟合，一些互为“反向”的拟合相互抵消就可以达到整体上减少过拟合。

（2）减少神经元之间复杂的共适应关系：**因为dropout导致两个神经元不一定每次都在一个dropout网络中出现。（这样权值的更新不再依赖于有固定关系的隐含节点的共同作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况）。 迫使网络去学习更加鲁棒的特征 （这些特征在其它的神经元的随机子集中也存在）。**换句话说假如我们的神经网络是在做出某种预测，它不应该对一些特定的线索片段太过敏感，即使丢失特定的线索，它也应该可以从众多其它线索中学习