2021/07/22
过拟合 和欠拟合
在建立模型中，很有可能遇见 训练数据训练的时候很准确，但是一到测试集就会有很大误差。这就要了解过拟合和欠拟合两个名词了。先看图片
上图能看出来机器学习经过简单的模型，学习到的特征很少，依靠两个特征分类，导致把很多的目标值也预测错误。不是天鹅的图片也识别为天鹅（欠拟合）
上图看出来机器学习，特征学习到了很多特征 但是最后预测结果正确的也被认为是错误的（过拟合）
再用数轴来解释以下，欠拟合和过拟合
横坐标是模型复杂度，表示模型从简单到复杂。纵坐标代表结果出现的程度 从少到多。在模型很简单的时候，测试出现的错误和训练集错误一样多。说明模型有欠拟合，“欠”说明模型复杂度还没到最优，还可以继续提高模型复杂度。
后半段的地方模型很复杂，很有用（挑选出了很多的特征），训练集的出现的错误也越来越少，但是测试集的错误也慢慢增高了，说明很有可能把很多正确的选项也认为错误了。就是过拟合，“过”代表模型复杂度太过头了 需要简单一些。
非线性关系
在很多的样本中其实都是非线性关系，所以我们就得需要增加模型的复杂度 找到数据之间的多种关系。如下图
第一个图，纯粹画了一条线。很多的数据就会被预测失误。也是一种欠拟合
第二个图，多增加了一种线性关系（多增加了个w）。相比较第一个误差会更小。比较合适
第三个图，又增加了多个线性关系，那么很有可能把正确的点都认为错误。模型过于复杂，也就过拟合了。
欠拟合原因和解决方法
欠拟合，就是模型过于简单。学习到的特征太少。
解决办法
- 增加数据量，学习到更多的特征
- 增加数据的特征
过拟合原因和解决方法
过拟合，就是因为模型过于复杂 想要兼顾到每一个数据。模型学习出了一些嘈杂特征
解决办法
- 进行特征选择消除关联性较大的特征（很难做到，因为特征之间的关系不好把握，容易出错）
- 特征选择： 1.过滤式：低方差特征。2嵌入式：正则化，决策树，神经网络
- 交叉验证（让所有数据都经过训练）
正则化
上面那个图能看出来模型越复杂，带有高次项的数越多。那么正则化就是尝试着把高次项的影响力消除，正则化会把高次幂的W变为趋近为0，来降低对模型复杂度的影响力。也就从而降低了模型复杂度，减轻过拟合。
现在回想起来，线性回归LinerRegression 会容易出现过拟合，因为上一篇文章也提到 数据经过这个模型方法 会得到很多的W值，很容易导致过拟合。于是乎带有正则化的线性回归便出现了。 Ridge：岭回归 就是带有正则化的线性回归