本文目录一览

1，过拟合的介绍

为了得到一致假设而使假设变得过度复杂称为过拟合。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。

过拟合的介绍

2，什么是机器学习的过拟合和欠拟合

对于一个监督学习模型来说， 过小的特征集合使得模型过于简单，过大的特征集合使得模型过于复杂 。对于特征集过小的情况，称之为 欠拟合（ underfitting ） 对于特征集过大的情况，称之为 过拟合（ overfitting ）
没看懂什么意思？

什么是机器学习的过拟合和欠拟合

3，为什么会产生过拟合有哪些方法可以预防或克服过拟合

首先欠拟合、过拟合没有明确的定义分界 明显的未充分利用数据，拟合结果不符合预期，甚至不能有效拟合训练集，我们可以认为欠拟合 考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合 可以认为预测准确率、召回率都比理论上最佳拟。
我是来看评论的

为什么会产生过拟合有哪些方法可以预防或克服过拟合

4，神经网络欠拟合是不是每次输出结果都一样称为欠拟合都准确无误

不是的。神经网络训练有训练集和测试集，一般数据比为7：3或8：2。训练集用于生成神经网络的逻辑，测试集用于验证神经网络的正确性。如果训练集的准确率很高，而测试集很低，说明训练集模拟出的逻辑仅对训练集适用，而和实际差异很大，这种现象称为过拟合。如果训练集和测试集准确率都很低，说明由于数据本身原因，或神经网络的不良特性，导致神经网络无法符合实际逻辑，这种现象称为欠拟合。
欠拟合和过拟合都是没有明显界定范围的词, 类似于微辣,正常,变态辣一个意思.和模型和鉴定标准都有关系

5，什么是过拟合

过拟合：为了得到一致假设而使假设变得过度复杂称为过拟合。想像某种学习算法产生了一个过拟合的分类器，这个分类器能够百分之百的正确分类样本数据（即再拿样本中的文档来给它，它绝对不会分错），但也就为了能够对样本完全正确的分类，使得它的构造如此精细复杂，规则如此严格，以至于任何与样本数据稍有不同的文档它全都认为不属于这个类别！
对于一个监督学习模型来说， 过小的特征集合使得模型过于简单，过大的特征集合使得模型过于复杂 。对于特征集过小的情况，称之为 欠拟合（ underfitting ） 对于特征集过大的情况，称之为 过拟合（ overfitting ）

6，神经网络什么过拟合什么是欠拟合

欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。通过调整模型的容量(capacity)，我们可以控制模型是否偏向于过拟合或者欠拟合。通俗地，模型的容量是指其拟合各种函数的能力。容量低的模型可能很难拟合训练集。容量高的模型可能会过拟合，因为记住了不适用于测试集的训练集性质。
过拟合现象一般都是因为学习的过于精确，就好比让机器学习人脸，取了100个人的脸训练，但是由于你学习的过精确，导致除了这个样本100人外 其他的人脸神经网络都认为不是人脸，实际我们只需要学习人脸的基本特征 而不是详细到人的皮肤细腻 眼睛大小等过于细致的特征，这样可以保证机器还是能识别别的图片中的人脸的

文章TAG：合和  过拟合  介绍  欠拟合和过拟合  
下一篇