一文彻底搞懂深度学习 - 过拟合和欠拟合

文章预览

在深度学习中， 过拟合和欠拟合 是训练模型时常见的两大问题，它们会严重影响模型的泛化能力。 过拟合， 模型太复杂， 学了噪声 ， 训练数据上表现过好而在新数据上表现差； 欠拟合，模型太简单， 没学够特征 ， 训练数据和新数据上都表现不佳。 为了解决这些问题，可以采取多种策略，包括 增加训练数据量、使用正则化技术、选择更合适的模型、进行特征选择和降维、采用交叉验证 等。这些策略可以有效地提高模型的泛化能力，从而推动深度学习技术的进一步发展。 Overfitting  &   Underfitting 一、过拟合 什么是过拟合（ Overfitting ） ？ 过拟合是指模型在训练数据上表现得非常好，但在未见过的测试数据上表现很差的现象。 换句话说，模型学习到了训练数据中的噪声和细节，而不仅仅是数据中的真实规律。 过拟合 的原因是什么？ 过拟合 ………………………………