如何评判模型是过拟合还是欠拟合？遇到过拟合或欠拟合时，你是如何解决？
过拟合是指学习时选择的模型所包含的参数过多，以至出现这一模型对已知数据预测得很好，但对未知数据预测得很差的现象。
当训练集效果差，欠拟合（如accuracy<0.8）；训练集效果好，测试集效果差，过拟合
欠拟合解决方法：
- 增加特征
- 提高模型复杂度：神经网络提高神经元数、增加层数；SVM使用核函数；
- 减小正则项的系数
过拟合解决方法：
提高样本数量 ：
神经网络：Data Augmentation（数据增强）
简化模型：
神经网络使用 Dropout、Early Stopping
决策树剪枝、限制树的深度- 加入正则化项（L1或L2）或提高惩罚系数
- 使用集成学习
- 神经网络中使用dropout机制
- early stopping
- 标签平滑
解压密码： detechn或detechn.com
免责声明
本站所有资源出自互联网收集整理，本站不参与制作，如果侵犯了您的合法权益，请联系本站我们会及时删除。
本站发布资源来源于互联网，可能存在水印或者引流等信息，请用户自行鉴别，做一个有主见和判断力的用户。
本站资源仅供研究、学习交流之用，若使用商业用途，请购买正版授权，否则产生的一切后果将由下载用户自行承担。
