机器学习基础问题1|欠拟合与过拟合

欠拟合模型，对已有数据的匹配性很差，但是对数据中的噪声不敏感

解决欠拟合问题的三个方法

(1) 增加特征项：在大多数情况下，欠拟合的出现是因为数据主要特征的提取缺失，因此可以在模型中加入更多的和原数据有重要相关性的特征来训练搭建的模型，这样模型会有更好的泛化能力。

(2) 构造复杂的多项式：增加函数中的次项来增强模型的变化能力，从而提升泛化能力。

(3) 减少正则化参数：正则化参数出现的nudist是防止过拟合，减少正则化参数来消除欠拟合。

 

过拟合模型，对数据的匹配性强，同时对数据中的噪声非常敏感

解决过拟合的三个方法

(1) 增大训练的数据量，模型不会依赖于数据的个别特征，捕获更多的特征。

(2) 采用正则化的方式

(3) Dropout方法：在神经网络模型中使用频率较高，在神经网络模型前向传播过程中，随机选取和丢弃指定层次之间的神经连接，过程随机，因此可以有效预防过拟合发生。