1 过拟合介绍

如果模型设计的太复杂，可能会过拟合

下图的1~5分别代表最高项为1~5次幂的线性回归问题：

当模型太复杂的时候，虽然训练集上我们得到较小的误差，但是在测试集上，误差就奇大无比

复杂模型的model space涵盖了简单模型的model space，因此复杂模型在training data上的错误率更小，但并不意味着在testing data 上错误率更小。模型太复杂会出现overfitting。

1.1 高维小样本问题

2 处理过拟合的方法

机器学习笔记：误差的来源（bias & variance）_UQI-LIUWJ的博客-CSDN博客

处理过拟合主要有几种方法：

增加数据量（数据量大了之后，根据某种规则去掉一些特征，来实现降维）特征提取（eg，主成分分析PCA，作用也是实现降维）正则化（通过给损失函数增加惩罚项来避免过拟合）减低模型的复杂度

2.1 正则化

这是一种解决过拟合的办法——>使曲线平滑一点（这样如果测试集的输入有一点噪声的话，扰动也不会太大）

注：正则项里面不包括偏差表示，只包括影响梯度的那些函数

λ越大，表示越平滑，训练集上的error越大（因为我们越倾向于考虑w的数值大小，而不是我们预测值和实际值之间的error）【λ太小可能过拟合，λ太大可能欠拟合】

2.1.1 L1正则化（Lasso）

L1正则化每次更新的数值是恒定的（等值更新）

2.1.2 L2正则化（ridge）

机器学习笔记：岭回归（L2正则化）_UQI-LIUWJ的博客-CSDN博客

L2正则化每次w更新的比例是恒定的（等比例更新）

L2正则化在w值很大的情况下，下降速度很快；在w很小的情况下，下降速度很慢

3 欠拟合和过拟合

欠拟合：

1）模型不足以表达数据所有的特点

2）没有充分学习观测数据的特点

过拟合：

1）模型不仅表达了数据所有的特点，还把数据特定的噪声也表达了出来

2）在训练集和验证集/测试集 上的表现差异巨大

3.1 处理欠拟合的方法

继续训练模型，如果效果提升不显著的话，修改模型，让模型更复杂一些