欠拟合和过拟合定义和解决办法
定义:
过拟合:一个假定在训练集数据上能够获得比其他假设更好的拟合,但在测试集上却不能很好的拟合数据,此时认为这个假设出现过拟合的现象(模型过于复杂)
欠拟和:假定在训练集上不能获得更好的拟合并且在测试集上也不能很好的拟合数据此时认为这个假设出现欠拟合的现象(模型过于简单)
解决办法:
欠拟合原因以及解决办法
学习到数据的特征过少
解决办法
1)添加其他特征项,有时候我们模型出现欠拟合的时候是因为特征项不够导致的,可以添加其他特征项来很好地解决。例如,“组合”、“泛化”、“相关性”三类特征是特征添加的重要手段,无论在什么场景,都可以照葫芦画瓢,总会得到意想不到的效果。除上面的特征之外,“上下文特征”、“平台特征”等等,都可以作为特征添加的首选项。
2)添加多项式特征,这个在机器学习算法里面用的很普遍,例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。
过拟合:
原因:特征过多,存在一些嘈杂值,模型过于复杂是因为模型尝试去兼顾各测试数据点
解决办法:
1)重新清洗数据,导致过拟合的一个原因也有可能是数据不纯导致的,如果出现了过拟合就需要 我们重新清洗数据。
2)增大数据的训练量,还有一个原因就是我们用于训练的数据量太小导致的,训练数据占总数据 的比例过小。
3)正则化
4)减少特征维度,防止维灾难