1200字范文 > 机器学习模型评估过拟合与欠拟合的改进方案

机器学习模型评估过拟合与欠拟合的改进方案

时间：2022-10-23 09:50:06

在模型评估与调整的过程中，我们往往会遇到“过拟合”或“欠拟合”的情况。如何有效地识别“过拟合”和“欠拟合”现象，并有针对性地进行模型调整，是不断改进机器学习模型的关键。特别是在实际项目中，采用多种方法、从多个角度降低“过拟合”和“欠拟合”的风险是算法工程师面试必备知识。

欠拟合与过拟合现象

过拟合是指模型对于训练数据拟合呈过当的情况，反映到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现较差。

欠拟合指的是模型在训练和预测时表现都不好的情况。

通常，欠拟合的模型不能很好地捕捉到数据的特征，不能够很好地拟合数据。过拟合的模型过于复杂，把噪声数据的特征也学习到模型中，导致模型泛化能力下降，在后期应用过程中很容易输出错误的预测结果。

偏差方差分解分析过拟合、欠拟合

模型的泛化误差可分解为偏差、方差与噪声之和（具体推导见西瓜书2.5节）

偏差度量了学习算法的期望预测与真实结果的偏离程度，刻画描述了算法本身对数据的拟合能力，也就是训练数据的样本与训练出来的模型的匹配程度；

方差度量了训练集的变化导致学习性能的变化，描述了数据扰动造成的影响；

噪声则表示任何学习算法在泛化能力的下界，描述了学习问题本身的难度。

偏差方差分解表示了泛化性能由三者决定。

一般来说偏差和方差有冲突称之为偏差-方差窘境。在给定学习任务下，在训练不足时，学习器的拟合能力较弱，容易欠拟合，训练数据的扰动不足以使学习器产生明显变化，此时偏差起到最要的作用。随着学习器拟合能力的加强，偏差越来越小，但是任何一点数据抖动都可以被学习，方差逐渐占据主导，若训练数据自身的非全局的特性被学习到了，那么就发生了过拟合。

过拟合与欠拟合的解决方案

降低“过拟合”风险的方法

（1）从数据入手，获得更多的训练数据。使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。当然，直接增加实验数据一般是很困难的，但是可以通过一定的规则来扩充训练数据。比如，在图像分类的问题上，可以通过图像的平移、旋转、缩放等方式扩充数据；更进一步地，可以使用生成式对抗网络来合成大量的新训练数据。

（2）降低模型复杂度。在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。例如，在神经网络模型中减少网络层数、神经元个数等；在决策树模型中降低树的深度、进行剪枝等。

（3）正则化方法。给模型的参数加上一定的正则约束，比如将权值的大小加入到损失函数中。以L2正则化为例：

这样，在优化原来的目标函数C0的同时，也能避免权值过大带来的过拟合风险。

（4）集成学习方法。集成学习是把多个模型集成在一起，来降低单一模型的

过拟合风险，如Bagging，GBDT方法。