过拟合:模型对训练数据拟合过当。如模型过度复制,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。反映到评估指标中,就是模型在训练集上表现的很好,但是测试集和新数据上表现的很差。
欠拟合:模型没有很好的捕捉到数据的特征,不能很好的拟合数据,在训练集以及测试集上表现的都不好。
降低过拟合风险的方法。
- 获得更多的数据
- 降低模型复杂度
- 正则化方法,给模型加上正则约束
降低欠拟合的方法
- 添加新特征
- 增加模型复杂度
- 减小正则化方法
过拟合:模型对训练数据拟合过当。如模型过度复制,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。反映到评估指标中,就是模型在训练集上表现的很好,但是测试集和新数据上表现的很差。
欠拟合:模型没有很好的捕捉到数据的特征,不能很好的拟合数据,在训练集以及测试集上表现的都不好。
降低过拟合风险的方法。
降低欠拟合的方法
本文标题:模型评估——过拟合与欠拟合
本文链接:https://www.haomeiwen.com/subject/nysfoctx.html
网友评论