在機器學(xué)習(xí)中，相對于欠擬合，過擬合出現(xiàn)的頻次更高。這是因為，假設(shè)某一數(shù)據(jù)集其對應(yīng)的模型為‘真’模型，我們通常是采用提高模型的復(fù)雜度的方法，來避免欠擬合現(xiàn)象的產(chǎn)生，但與此同時，我們又很難把網(wǎng)絡(luò)設(shè)計成和‘真’模型一樣，所以最終網(wǎng)絡(luò)模型會因為復(fù)雜度太高而產(chǎn)生過擬合。今天小編就給大家整理了過擬合產(chǎn)生的原因及一些相應(yīng)的解決方法，希望對大家機器學(xué)習(xí)中解決過擬合問題有所幫助。

一、什么是過擬合

過擬合定義：給定一個假設(shè)空間H，一個假設(shè)h屬于H，如果存在其他的假設(shè)h’屬于H,使得在訓(xùn)練樣例上h的錯誤率比h’小，但在整個實例分布上h’比h的錯誤率小，那么就說假設(shè)h過度擬合訓(xùn)練數(shù)據(jù)。

過擬合(overfiting / high variance)表現(xiàn)為：模型在訓(xùn)練集上表現(xiàn)很好，但是在測試集上表現(xiàn)較差。也就是說模型的泛化能力弱。

簡單理解過擬合，就是模型對訓(xùn)練數(shù)據(jù)的信息提取過多，不僅學(xué)習(xí)到了數(shù)據(jù)背后的規(guī)律，連數(shù)據(jù)噪聲都當(dāng)做規(guī)律學(xué)習(xí)了。

對比欠擬合理解起來會更容易：

二、過擬合產(chǎn)生原因

三、過擬合處理辦法

1、重新清洗數(shù)據(jù)，過擬合出現(xiàn)也有可能是數(shù)據(jù)不純，這種情況下我們需要重新清洗數(shù)據(jù)。

2、數(shù)據(jù)增強，也就是獲取和使用更多的數(shù)據(jù)集。給與模型足夠多的數(shù)據(jù)集，讓它在盡可能多的數(shù)據(jù)上進行“觀察”和擬合，從而進行不斷修正。但是需要注意的是，我們是不可能收集無限多的數(shù)據(jù)集的，所以通常的方法，就是對已有的數(shù)據(jù)進行，添加大量的“噪音”，或者對圖像進行銳化、對旋轉(zhuǎn)、明暗度進行調(diào)整等。

3、采用正則化方法。加入正則化項就是在原來目標(biāo)函數(shù)的基礎(chǔ)上加入了約束。常用的正則化項有L1.L2.當(dāng)目標(biāo)函數(shù)的等高線和L1.L2正則化損失函數(shù)第一次相交時，得到最優(yōu)解。

L1正則化項約束后的解空間為多邊形，這些多邊形的角和目標(biāo)函數(shù)的接觸機會遠大于其他部分。就會造成最優(yōu)值出現(xiàn)在坐標(biāo)軸上，因此就會導(dǎo)致某一維的權(quán)重為0 ，產(chǎn)生稀疏權(quán)重矩陣，進而防止過擬合。

L2正則化項約束后的解空間為圓形，圖像上的棱角圓滑了很多。一般最優(yōu)值不會在坐標(biāo)軸上出現(xiàn)。在最小化正則項時，參數(shù)不斷趨向于0.最后得到的就是很小的參數(shù)。

4、采用dropout方法。

運用了dropout方法，就相當(dāng)于訓(xùn)練了非常多的，僅僅只有部分隱層單元的神經(jīng)網(wǎng)絡(luò)，每一個這種半數(shù)網(wǎng)絡(luò)，都能夠給出一個分類結(jié)果，這些結(jié)果中，有正確的，也有錯誤的。隨著訓(xùn)練的進行，大多數(shù)半數(shù)網(wǎng)絡(luò)都能給出正確的分類結(jié)果。這樣一來，那些少數(shù)的錯誤分類結(jié)果對于最終結(jié)果就不會哦造成大的影響。而且dropout通過減少神經(jīng)元之間復(fù)雜的共適應(yīng)關(guān)系，從而也提高了模型的泛化能力。

5、提前結(jié)束訓(xùn)練

也就是early stopping，在模型迭代訓(xùn)練時，對訓(xùn)練精度(損失)和驗證精度(損失)進行記錄，如果模型訓(xùn)練的效果不能夠再提高，例如訓(xùn)練誤差一直降低，但是驗證誤差卻不再降低甚至上升的情況，我們可以采用結(jié)束模型訓(xùn)練的方法。

6、集成學(xué)習(xí)

集成學(xué)習(xí)算法也可以有效的減輕過擬合。Bagging通過平均多個模型的結(jié)果，來降低模型的方差。Boosting不僅能夠減小偏差，還能減小方差。