文章目录
一、过拟合
过拟合的原因
在于学习时过多的考虑如何提高对训练数据的正确分类,从而构建出过于复杂的决策树。
解决过拟合方法
1.增加训练数据:这是解决过拟合现象的根本办法,若没有过多的训练数据,我们可以自己增加一些假数据来在增加数据的数量,从而让模型的泛化能力增强。
2.控制模型的复杂度:过于复杂的模型容易造成过拟合现象。对于模型的设计而言,我们应该选择简单、合适的模型解决复杂的问题。
3.降低特征的数量:对于一些特征工程而言,可以降低特征的数量。删除冗余特征,人工选择保留哪些特征。
4.L1 / L2 正则化
L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓"惩罚"是指对损失函数中的某些参数做一些限制。
以线性回归为例,使用L1正则化的模型建叫做Lasso回归,使用L2正则化的模型叫做Ridge回归(岭回归)。
优化目标:
min 1 N ∑ i = 1 N ( y i − ω T x i ) 2 \frac{1}{N}\displaystyle\sum_{i = 1}^{N}{(y_{i} -\omega^{T} x_{i})^{2} } N1i=1∑N(yi−ωTxi)2 式子(1)
加上L1正则项(lasso回归):
min 1 N ∑ i = 1 N ( y i − ω T x i ) 2 + α ∣ ∣ w ∣ ∣ 1 \frac{1}{N}\displaystyle\sum_{i = 1}^{N}{(y_{i} -\omega^{T} x_{i})^{2} }+α||w||_1 N1i=1∑N(yi−ωTxi)2+α∣∣w∣∣1 式子(2)
加上L2正则项(岭回归):
min 1 N ∑ i = 1 N ( y i − ω T x i ) 2 + α ∣ ∣ w ∣ ∣ 2 2 \frac{1}{N}\displaystyle\sum_{i = 1}^{N}{(y_{i} -\omega^{T} x_{i})^{2} }+α||w||_2^2 N