知识卡片
训练误差与过拟合
模型在训练数据上误差更低,不意味着在未见数据上也更好。书中的观看量预测例子里,四层网络训练损失低于三层,但未见日期上的损失更高,呈现过拟合。比较未见数据的表现比只看训练损失更能反映预测新数据的需求。
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
- 机器学习基础 1.2.2 模型变形 · 查看原书依据
刚才只做到 3 层,我们应该做得更深,现在的神经网络都是几百层的,深度神经网络还要更深.但 4 层的网络在训练数据上的损失 是 100,在2021年的数据上的损失是440. 在训练数据上,3 层的网络表现比较差;但是在2021年的数据上,则是4 层的网络表现比较差,如图1.25 所示.模型在训练数据和测试数据上的结果不一致,这种情况称为过拟合(overfitting).
参考来源
- 位置:《深度学习详解》第1章《机器学习基础》1.2.1 节(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter01.xhtml`)
- 结论依据:原文以 ReLU、深层网络和观看量预测结果说明激活函数、层数和过拟合;相关图式和公式已读取。
- 原始内容:刚才只做到 3 层,我们应该做得更深,现在的神经网络都是几百层的,深度神经网络还要更深.但 4 层的网络在训练数据上的损失 是 100,在2021年的数据上的损失是440. 在训练数据上,3 层的网络表现比较差;但是在2021年的数据上,则是4 层的网络表现比较差,如图1.25 所示.模型在训练数据和测试数据上的结果不一致,这种情况称为过拟合(overfitting).