欠拟合和过拟合，过拟合的介绍

本文目录一览

1，过拟合的介绍
2，什么是机器学习的过拟合和欠拟合
3，为什么会产生过拟合有哪些方法可以预防或克服过拟合
4，神经网络欠拟合是不是每次输出结果都一样称为欠拟合都准确无误
5，什么是过拟合
6，神经网络什么过拟合什么是欠拟合

1，过拟合的介绍

为了得到一致假设而使假设变得过度复杂称为过拟合。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。

过拟合的介绍

2，什么是机器学习的过拟合和欠拟合

对于一个监督学习模型来说，过小的特征集合使得模型过于简单，过大的特征集合使得模型过于复杂。对于特征集过小的情况，称之为欠拟合（ underfitting ）对于特征集过大的情况，称之为过拟合（ overfitting ）

没看懂什么意思？

什么是机器学习的过拟合和欠拟合

3，为什么会产生过拟合有哪些方法可以预防或克服过拟合

首先欠拟合、过拟合没有明确的定义分界明显的未充分利用数据，拟合结果不符合预期，甚至不能有效拟合训练集，我们可以认为欠拟合考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合可以认为预测准确率、召回率都比理论上最佳拟。

我是来看评论的

为什么会产生过拟合有哪些方法可以预防或克服过拟合

4，神经网络欠拟合是不是每次输出结果都一样称为欠拟合都准确无误

不是的。神经网络训练有训练集和测试集，一般数据比为7：3或8：2。训练集用于生成神经网络的逻辑，测试集用于验证神经网络的正确性。如果训练集的准确率很高，而测试集很低，说明训练集模拟出的逻辑仅对训练集适用，而和实际差异很大，这种现象称为过拟合。如果训练集和测试集准确率都很低，说明由于数据本身原因，或神经网络的不良特性，导致神经网络无法符合实际逻辑，这种现象称为欠拟合。

欠拟合和过拟合都是没有明显界定范围的词, 类似于微辣,正常,变态辣一个意思.和模型和鉴定标准都有关系

5，什么是过拟合

过拟合：为了得到一致假设而使假设变得过度复杂称为过拟合。想像某种学习算法产生了一个过拟合的分类器，这个分类器能够百分之百的正确分类样本数据（即再拿样本中的文档来给它，它绝对不会分错），但也就为了能够对样本完全正确的分类，使得它的构造如此精细复杂，规则如此严格，以至于任何与样本数据稍有不同的文档它全都认为不属于这个类别！

6，神经网络什么过拟合什么是欠拟合

欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。通过调整模型的容量(capacity)，我们可以控制模型是否偏向于过拟合或者欠拟合。通俗地，模型的容量是指其拟合各种函数的能力。容量低的模型可能很难拟合训练集。容量高的模型可能会过拟合，因为记住了不适用于测试集的训练集性质。

过拟合现象一般都是因为学习的过于精确，就好比让机器学习人脸，取了100个人的脸训练，但是由于你学习的过精确，导致除了这个样本100人外其他的人脸神经网络都认为不是人脸，实际我们只需要学习人脸的基本特征而不是详细到人的皮肤细腻眼睛大小等过于细致的特征，这样可以保证机器还是能识别别的图片中的人脸的