知识卡片
训练和验证误差一起读
训练误差与验证误差同时较大,可能是模型表达能力不足、训练未到位或输入缺信息。训练误差很低但验证误差高,可能对训练噪声过于敏感。正则化、减小模型复杂度和收集独立样本可以作为验证候选。评估前要排除训练与验证分布改变或数据泄漏。
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
- 全景图:机器学习路线图 · 查看原书依据
欠拟合和过拟合是导致模型泛化能力不高的两种常见原因。“欠拟合”是指模型学习能力较弱,无法学习到样本数据中的“一般规律”,因此导致模型泛化能力较弱。而“过拟合”则恰好相反,是指模型学习能力太强,以至于将
参考来源
- 位置:《从零开始:机器学习的数学原理和算法实践》第4章《全景图:机器学习路线图》(来源项目 book-source:extracted/从零开始:机器学习的数学原理和算法实践/_epub-src/OEBPS/Text/chapter004.xhtml)
- 结论依据:原文从经验误差与泛化误差相对关系解释欠拟合和过拟合。
- 原始内容:欠拟合和过拟合是导致模型泛化能力不高的两种常见原因。“欠拟合”是指模型学习能力较弱,无法学习到样本数据中的“一般规律”,因此导致模型泛化能力较弱。而“过拟合”则恰好相反,是指模型学习能力太强,以至于将