Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门-Task3

1.模型偏差

模型偏差（Bias）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。偏差越大，越偏离真实数据集。

具体见：机器学习之方差、偏差_预测方差-CSDN博客

模型分析与偏差和方差_模型偏差-CSDN博客

2.优化问题

优化问题是指在给定约束条件下，找到一个目标函数的最优解（最大值或最小值）。优化问题3个基本要素是优化变量、目标函数、约束条件。优化问题基本解决办法是解析解法和数值解法。

具体见：快速了解：什么是优化问题-CSDN博客

优化问题简单总结-CSDN博客

3.过拟合

过拟合（Over-fitting）是指机器学习算法在训练集上表现良好，但在测试集上表现不佳的现象。过拟合的原因是模型过于复杂，过度地拟合了训练集的噪声和特征，导致在测试集上的泛化能力不足。会造成算法模型预测的结果和真实结果产生较大的误差。

具体见：什么是过拟合、欠拟合现象以及如何缓解？_过拟合和欠拟合-CSDN博客

过拟合是什么意思？-CSDN博客

过拟合及常见处理办法整理_过拟合解决办法-CSDN博客

4.交叉验证

交叉验证（Cross-Validation）就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。交叉验证是在机器学习建立模型和验证模型参数时常用的办法，一般被用于评估一个机器学习模型的表现。更多的情况下，我们也用交叉验证来进行模型选择(model selection)。

具体见：交叉验证（Cross-Validation）-CSDN博客

快速了解机器学习中的交叉验证（简单易懂）_交叉验证需要划分数据集吗-CSDN博客

常见交叉验证方法汇总_kfold 引用-CSDN博客