1 过拟合问题

1.1 问题定义:过拟合（overfitting）是具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。
1.2 出现过拟合的原因
1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；
2. 训练集和测试集特征分布不一致；
3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系；
4. 权值学习迭代次数足够多(Overtraining)，拟合了训练数据中的噪声和训练样例中没有代表性的特征。
1.3 避免此类问题的手段

• data augmentation（增加数据）：增广的方式是对图像旋转，缩放，剪切，添加噪声等
• simpler model structure（简化模型）：调小模型复杂度，使其适合自己训练集的数量级（缩小宽度和减小深度）
  • regularization（正则化）： 正则化可以保持模型简单，另外，规则项的使用还可以约束我们的模型的特性。有L1和L2两种形式（L1是变稀疏，L2是让权重变小）
  • dropout（丢失）：这个方法在神经网络里面很常用。dropout方法是ImageNet中提出的一种方法，通俗一点讲就是dropout方法在训练的时候让神经元以一定的概率不工作
  • 树模型中采用剪枝的方式进行
  • early stopping（提前停止）
• BatchNormalization ：BN的核心思想不是为了防止梯度消失或者防止过拟合，其核心是通过对系统参数搜索空间进行约束来增加系统鲁棒性，这种约束压缩了搜索空间，约束也改善了系统的结构合理性，这会带来一系列的性能改善，比如加速收敛，保证梯度，缓解过拟合等。
• ensemble（集成学习算法）：也可以有效的减轻过拟合。Bagging通过平均多个模型的结果，来降低模型的方差。Boosting不仅能够减小偏差，还能减小方差。

重新清洗数据：数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。导致过拟合的一个原因也有可能是数据不纯导致的，如果出现了过拟合就需要我们重新清洗数据。
二、欠拟合（(高偏差)）
2.1 问题定义: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
2.2 避免此类问题的手段

• 模型复杂化：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:使输入数据具有更强的表达能力：
• 调整参数和超参数：超参数包括：神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中的β1和β2参数、batch_size数值等其他算法中：随机森林的树数量，k-means中的cluster数，正则化参数λ等
• 降低正则化约束：正则化约束是为了防止模型过拟合，如果模型压根不存在过拟合而是欠拟合了，那么就考虑是否降低正则化参数λλ或者直接去除正则化项

增加训练数据往往没有用：欠拟合本来就是模型的学习能力不足，增加再多的数据给它训练它也没能力学习好