机器学习 | 过拟合&欠拟合

本篇内容我们来讨论模型的过拟合和欠拟合问题

一. 过拟合

首先我们来思考，什么是过拟合？

假设，我们有一个由5个样本点组成的训练集：
    通过数据分析，我们认为该训练集中的样本不满足线性关系
    更倾向于使用一个4次的曲线来拟合所有样本

这样做的结果是，我们一定会得到一条曲线经过5个样本点
也就是说：线性回归模型在训练集上可以达到100%的准确率

然而，这样的模型在测试集和实际应用中，其准确率远远达不到100%，这种情况也就称为过拟合

		产生原因：多项式扩展、模型过于复杂等情况
		产生结果：模型学习能力太强，细枝末节的数据也学到了，拟合过度，导致模型准确率下降
		过拟合现象：训练集效果非常好，测试集很差

1. 正则化（Regularization）

   针对线性回归算法的过拟合问题，我们可以用正则化方法来解决

L1正则化&L2正则化 解决思路：
这两种正则化在解决过拟合问题的思路是相同的

在求解参数$\theta$（即：${\theta }_0$,${\theta }_1$,…,${\theta }_n$）时，保证其中每个参数的值都不能太大；
若参数值太大，则会给予惩罚，损失函数变大

L1正则化&L2正则化 优化算法：

这两个模型在求参数$\theta$时不是梯度下降，而是坐标下降

为了防止过拟合，我们可以在线性回归的损失函数中加入正则化项，即$$J(\theta )=\frac{1}{2\ast m}\sum _{i=1}^m({\hat{y}}^{(i)}-y^{(i)}{)}^2+\lambda (\Omega (\theta ))$$

1.1 L1正则化

使用L1正则化的回归又被称为Lasso回归（Least Absolute Shrinkage and Selection Operator）
$$\Omega (\theta )=\sum _{j=1}^n\left|{\theta }_j\right|$$

1.2 L2正则化

使用L2正则化的回归又被称为岭回归（Ridge Regression）
$$\Omega (\theta )=\sum _{j=1}^n{\theta }_j^2$$

1.3 ElasticNet回归

在无法权衡L1正则化和L2正则化究竟谁更好的前提下，我们可以使用ElasticNet回归，又称弹性网络回归
$$J(\theta )=\frac{1}{2\ast m}\sum _{i=1}^m({\hat{y}}^{(i)}-y^{(i)}{)}^2+{\lambda }_1\sum _{j=1}^n\left|{\theta }_j\right|+{\lambda }_2\sum _{j=1}^n{\theta }_j^2$$

公式中的$\lambda$为超参数：
    作用：$\lambda$大小决定了正则化项发挥作用的大小

          其中，当$\lambda$=0时，相当于标准线性回归

二. 欠拟合

明白什么是模型的过拟合后，欠拟合就很好理解

假设，我们有一个由10个样本点组成的训练集，模型通过学习后，拟合情况如下：

此时，模型在训练集上的效果很差，这种情况称为欠拟合

	产生原因：模型复杂度不够，过于简单
	产生结果：学习能力不够强，拟合度不够
	欠拟合现象：训练集效果很差，测试集效果很差
	解决目标：提高模型在训练集上的准确率

1. 解决方式：增加模型复杂度

尝试增加模型的层数或参数数量，使其能更好地拟合数据

	具体方法：
		多项式扩展

---

本篇文章仅涵盖了目前已讨论过的知识点，未来将持续更新

PS：本文相关代码存放位置
     波士顿房价预测 正则化代码实现

感谢阅读~

---