欠拟合与过拟合
欠拟合是指模型在训练集、验证集和测试集上均表现不佳的情况；
过拟合是指模型在训练集上表现很好，到了验证和测试阶段就大不如意了，即模型的泛化能力很差。
欠拟合和过拟合一直是机器学习训练中的难题，在进行模型训练的时候往往要对这二者进行权衡，使得模型不仅在训练集上表现良好，在验证集以及测试集上也要有出色的预测能力。下面对解决欠拟合和过拟合的一般方法作一总结，说明大致的处理方向，具体应用还得结合实际的任务、数据和算法模型等。
解决欠拟合(高偏差)的方法
- 模型复杂化
• 对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等
• 弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，用随机森林来代替决策树等
- 增加更多的特征
Original: https://blog.csdn.net/zhouzongzong/article/details/123533276
Author: 胖子工作室
Title: 深度学习中欠拟合解决方案
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/533314/
转载文章受原作者版权保护。转载请注明原作者出处！