
對于機器學習或者是深度學習模型來說,我們既希望這個模型能在訓練數(shù)據(jù)中表現(xiàn)良好(訓練誤差),又希望這個模型在測試集中也能有良好的表現(xiàn)(泛化誤差)。而過擬合和欠擬合就是用來描述泛化誤差的。欠擬合問題與過擬合問題,一直是模型訓練中的難題,我們常常需要對這二者進行權衡,今天小編給大家整理、分享的就是欠擬合問題產(chǎn)生的原因以及解決辦法,希望對大家有所幫助。
一、什么是欠擬合
欠擬合underfiting / high bias,就是指模型不能在訓練集上獲得足夠低的誤差,在訓練集、驗證集以及測試集上均表現(xiàn)不佳的情況。用偏差和方差來解釋就是,欠擬合的時候為高偏差(偏差描述的是模型的期望輸出與真實輸出之間的差異)。
出現(xiàn)欠擬合的原因是模型尚未學習到數(shù)據(jù)的真實結構。因此欠擬合可以簡單理解為:模型對訓練數(shù)據(jù)的信息提取不充分,并沒有學習到數(shù)據(jù)背后的規(guī)律,導致模型應用在測試集上時,無法做出正確的判斷。
欠擬合,模型擬合程度不高,數(shù)據(jù)距離擬合曲線較遠,不能夠很好地擬合數(shù)據(jù)。
圖中第一個模型欠擬合,無法學習到數(shù)據(jù)的有效特征
二、欠擬合解決辦法
1、做特征工程,添加其他特征項,有時候欠擬合出現(xiàn)的原因是:特征項不夠,沒有足夠的信息支持模型做判斷。這時候我們可以通過添加其他特征項來解決。例如,“組合”、“泛化”、“相關性”、“上下文特征”、“平臺特征”等等,都能夠作為特征添加的首選項。
2、添加多項式特征,這種做法在機器學習算法里面很常用,舉個例子,比如將線性模型通過添加二次項或者三次項使模型泛化能力更強。
3、減少正則化參數(shù),正則化的目標是:防止過擬合的,現(xiàn)在模型是欠擬合,就需要減少正則化參數(shù)。
4、增加模型復雜度。模型如果太簡單,就不能應對復雜的任務。我們可以通過使用更加復雜的模型,來減小正則化系數(shù)。比如可以使用核函數(shù),集成學習方法(集成學習方法boosting(如GBDT)能有效解決high bias),深度學習等。
以上就是小編今天跟大家分享的一些欠擬合的相關知識,希望對大家處理和解決欠擬合問題有所幫助。其他機器學習和深度學習的知識,小編也會繼續(xù)整理,希望大家多多關注。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉換:從基礎用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關聯(lián)查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結構數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結構數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結構數(shù)據(jù)特征價值的專業(yè)核心 表結構數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結構化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數(shù)據(jù)分析與統(tǒng)計學領域,假設檢驗是驗證研究假設、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結構數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結構數(shù)據(jù)(以 “行 - 列” 存儲的結構化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網(wǎng)絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結構數(shù)據(jù)價值的核心操盤手 表格結構數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數(shù)據(jù)的科學計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點數(shù)據(jù)時的科學計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務數(shù)據(jù)分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數(shù)據(jù)把關的實戰(zhàn)指南 在業(yè)務系統(tǒng)落地過程中,“業(yè)務邏輯” 是連接 “需求設計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務數(shù)據(jù)分析:概念辨析與協(xié)同價值 在數(shù)據(jù)驅動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實踐到業(yè)務價值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價值導向 統(tǒng)計模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10