過擬合原因以及解決辦法
正則化
在解決回歸過擬合中，我們選擇正則化。但是對於其他機器學習演算法如分類演算法來說也會出現這樣的問題，除了一些演算法本身作用之外（決策樹、神經網路），我們更多的也是去自己做特徵選擇，包括之前說的刪除、合併一些特徵。
在學習的時候，資料提供的特徵有些影響模型複雜度或者這個特徵的資料點異常較多，所以演算法在學習的時候儘量減少這個特徵的影響（甚至刪除某個特徵的影響），這就是正則化
注：調整時候，演算法並不知道某個特徵影響，而是去調整引數得出優化的結果
正則化類別l1正則化
過擬合和欠擬合
嘗試不同的模型 既然有一種可靠的方法來測量模型精度，那麼可以嘗試使用其他模型，並檢視哪種模型可以提供最佳 但是對模型有什麼選擇？可以在scikit learn的文件中看到決策樹模型有很多選項 比您長期想要或需要的更多 最重要的選項決定了樹的深度。回想一下這個微課程的第一課，樹的深度是衡量它在進行 之...
欠擬合和過擬合
解決欠擬合問題，可以從以下三個方面入手 1 增加特徵項 在大多數情況下出現過擬合是因為沒有準確把握資料的主要特徵，可以嘗試在模型中加入更多的和原始資料有重要相關性的特徵來尋連搭建的模型，著牙嗎嗯得到的模型可能會有更好的泛化能力。2 構造複雜的多項式 3 減少正則化引數 解決過擬合問題 1 增大訓練的...
過擬合和欠擬合
乙個假設在訓練資料上，能夠獲得比其他假設更好的擬合，但是在訓練資料外的資料集上卻不能很好的擬合資料，此事認為這個模型出現了過擬合現象 模型過於複雜 原因 原始特徵過多，存在一些嘈雜特徵，模型過於複雜是因為模型嘗試去兼顧各個測試資料點 解決辦法 乙個假設在訓練集上不能獲得更好的擬合，但是在訓練資料集以...