知识卡片
过拟合记忆而非泛化
模型在训练数据上分数继续升高,可能只是记住样本及偶然细节,未改善对新数据的预测。容量过大或反复搜索同一数据都可能加重这种风险。训练高分不是泛化证明,应观察独立评价表现,而不是只追求训练集满分。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 建模 10.3 里程碑2:建立模型 · 查看原书依据
模型可能会出现相同的问题。在使用泰坦尼克号数据集进行了多次训练之后,我们的模型可能开始记忆而不是学习。在某个时刻,我们甚至可以达到100%的训练成绩,这并不意味着我们将在Kaggle上获得100%的成绩。因此,我们需要一
参考来源
- 位置:《人工智能算法(卷2):受大自然启发的算法》第10章《建模》,原书小节“10.3 里程碑2:建立模型”(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/人工智能算法(卷2):受大自然启发的算法/_epub-src/OEBPS/Text/chapter010.html#nav_point_121)
- 结论依据:原文用重复模拟考试类比记忆,并说明RBF训练过久可能达到高训练分而外部表现不相应提高。
- 原始内容:模型可能会出现相同的问题。在使用泰坦尼克号数据集进行了多次训练之后,我们的模型可能开始记忆而不是学习。在某个时刻,我们甚至可以达到100%的训练成绩,这并不意味着我们将在Kaggle上获得100%的成绩。因此,我们需要一