Overfitting是在执行任何模型的时候我们都要注意的问题,今天就来聊聊overfitting是什麽
任何资料都同时包含着"signal"和"noise",我们想建立一个模型来找出"signal"并预测目标,但如果模型过度复杂,就会把"noise"当成"signal",产生overfitting的问题。这里可以想像成当我们在学习新的东西的时候,如果吸收理解就可以举一反三(理想模型),但如果完全硬背,虽然可以根据记下的内容去正确的回答问题,但会无法应用在其他地方(overfitting)。
Underfitting则发生在当我们建立的模型过於简单,模型无法透过所知来预测(也可以想成学得太少根本无法应用)。ML中有一个词语叫做“bias-variance tradeoff”,其实就是在描述overfitting和underfitting的对比:当今天模型过度简单(想像基本的linear regression),那预测出来的结果会很单一,导致bias大以及variance小;反之若模型过度复杂,那预测的结果bias小以及variance大。
references:
https://elitedatascience.com/machine-learning-iteration#micro
<<: 自动化测试,让你上班拥有一杯咖啡的时间 | Day 14 - 取得 ESLint 支援
前言 总算来到第30天啦 XDDDD 用废文开始就用废文结束吧 : 不知不觉已经来到了最後一章啦,这...
连载动机 藉由 30 天笔记, 将学习 React 相关的知识整理起来, 以便日後回头参照。 主要参...
很多事决非一成不变的,相反地,正如天空和海面,因风浪而起变化一样,最终也会因情况和时间的不同而产生变...
指定插件所支援的平台 插件可以通过向pubspec.yaml中的platformsmap 添加key...
缓慢的进展似乎有了成效。 在修正 musl port的 arch/riscv32/bits/sysc...