欠拟合(Underfitting)& 过拟合(Overfitting)
发布网友
发布时间：2024-09-06 17:51
共1个回答
热心网友
时间：2024-10-25 15:36
过拟合：指的是模型对训练数据拟合得过于完美。换句话说，模型仍在学习模式，但这些模式并没有超出训练集的范畴。实际上，训练集只是整个数据集的一部分，它包含两个部分特征，一部分是整个数据集共有的特征，另一部分是训练集自身特有的特征（如噪声等）。当出现过拟合时，模型学到了这两部分的特征，但测试集并不包含训练集自身特有的特征；如图中的绿线。
过拟合发生在模型将训练数据中的细节和噪声学到一定程度，以至于对模型在新数据上的性能产生负面影响。这意味着噪声或训练数据中的随机波动被模型捕捉并作为概念学习。问题是，这些概念并不适用于新数据，并负面影响模型泛化的能力。
过拟合在具有大量参数的模型中尤为典型，如深度神经网络。
欠拟合：指的是模型既无法对训练数据进行建模，也无法泛化到新数据。对于训练好的模型，如果在训练集上表现差，在测试集上表现同样会很差，这可能是欠拟合导致的，也就是性能不足，如图中黑实线所示。
欠拟合的机器学习模型不是一个合适的模型，它将在训练数据上表现出明显的低性能。
