如何有效区分并解决欠拟合与过拟合问题？

本文共计2308个文字，预计阅读时间需要10分钟。

文章目录

1.过拟合原因

2.判断是否过拟合

3.欠拟合--解决方法

4.过拟合--解决方法

5.神经网络过拟合解决方案

在机器学习或深度神经网络中

文章目录

• ​​1 过拟合原因​​
• ​​2 判断是否过拟合​​
• ​​3 欠拟合--解决方法​​
• ​​4 过拟合--解决方法​​
• ​​5 神经网络过拟合解决方案​​

在机器学习或者深度神经网络中经常会出现：欠拟合和过拟合。这些问题的出现原因以及解决之道如下文。

1 过拟合原因

（1）建模样本抽取错误，包括（但不限于）样本数量太少，抽样方法错误， 抽样时没有足够正确考虑业务场景或业务特点，不能有效足够代表业务逻辑或业务场景。

（2）样本里的噪音数据干扰过大，模型学习了噪音特征，反而忽略了真实的输入输出间的关系。

（3）建模时的“逻辑假设”到了模型应用时已经不能成立了。 任何预测模型都是在假设的基础上才可以搭建和应用的。常用的假设包括：

• 假设历史数据可以推测未来，
• 假设业务环节没有发生显著变化，
• 假设建模数据与后来的应用数据是相似的，等等。
• 如果上述假设违反了业务场景的话，根据这些假设搭建的模型当然是无法有效应用的。

（4）参数太多、模型复杂度高。