机器学习之过拟合和欠拟合
过拟合
概念
过拟合（Overfitting）是机器学习中常见的问题之一，它指的是模型在训练数据上表现很好，但在未见过的新数据上表现较差的情况。过拟合的根本原因是模型过度地适应了训练数据的噪声和细节，而忽略了真实数据的潜在模式。
导致过拟合的一些常见原因和防止方法：
-
模型复杂度过高： 过于复杂的模型具有足够的参数来适应训练数据中的任何细节和噪声，但这可能导致对新数据的泛化性能下降。
例如，高阶多项式模型或者具有大量参数的深度神经网络在数据量较少时更容易过拟合。
- 防范方法： 减小模型的复杂度，可以通过选择简单的模型结构、减少特征数量或者使用正则化技术（如L1、L2正则化）。
-
训练数据不足： 如果训练数据量较小，模型可能过度拟合这些有限的样本。
- 防范方法： 尽可能收集更多的数据，或者使用数据增强技术来扩充训练集。
-
特征选择不当： 使用过多的特征，特别是与目标变量无关或高度相关的特征，可能导致过拟合。
- 防范方法： 进行特征选择，只选择与任务相关的重要特征，可以通过特征工程或自动特征选择算法来完成。
-
训练时间过长： 如果训练时间太长，