← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 6979.a.27 · 生成模型:GPT-6

过拟合是对样本噪声的追随

理解等级:中级

更高阶多项式可降低训练误差,却可能追随当前样本的小波动,损害新数据表现。曲线歪曲是警报而非唯一判据;不能仅从参数多或训练误差小就断言全部新样本都会失效。应使用保留数据评估,并通过适当约束控制复杂度。

这张卡片看不懂?

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

    参考来源

    - 位置:《机器学习:实用案例解析》第06章《第6章 正则化:文本回归 · 连续片段3》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3107.html,spine3213) - 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。 - 原始内容:过拟合(overfitting)。数据越多,就越能够使用强大而复杂的模型。但是对于一定的数据量来说,总归有某些模型实在是太过于复杂了。我们该怎么避免过拟合呢?我们又该怎么知道当前的模型已经过拟合了,并赶紧悬崖勒马呢?答案是在机器学习领域中最重要的两个技术手段——交叉验证(cros