什么时欠拟合与过拟合
欠拟合：一个假设在训练数据上不能获得更好的拟合，并且在测试数据集上也不能很好地拟合数据，此时认为这个假设出现了欠拟合的现象（模型过于简单）
过拟合：一个假设在训练数据上能获得比其他假设更好的拟合，但是在测试数据集上却不能很好的拟合数据，此时认为这个假设出现了过拟合现象（模型过于复杂）
欠拟合：数据集上表现不好，测试集上表现也不好
过拟合：数据集上表现好，测试集上表现不好
欠拟合
- 学习数据的特征少
- 解决：增加数据的特征数量
过拟合
- 原始特征过多，存在嘈杂特征，模型过于复杂是因为模型尝试去兼顾各个测试数据点
- 解决：正则化
正则化
- L1：损失函数 + λ（lamuda）惩罚项 绝对值 LASSO
- L2(更常用)
- 损失函数 + λ（lamuda）惩罚项 平方 Ridge - 岭回归
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 WangZun233！
