正如巴菲特所言：「近似的正確好過精確的錯誤。」

在機器學習中，過擬合（overfitting）會使模型的預(yù)測性能變差，通常發(fā)生在模型過于復雜的情況下，如參數(shù)過多等。本文對過擬合及其解決方法進行了歸納闡述。

在機器學習中，如果模型過于專注于特定的訓練數(shù)據(jù)而錯過了要點，那么該模型就被認為是過擬合。該模型提供的答案和正確答案相距甚遠，即準確率降低。這類模型將無關(guān)數(shù)據(jù)中的噪聲視為信號，對準確率造成負面影響。即使模型經(jīng)過很好地訓練使損失很小，也無濟于事，它在新數(shù)據(jù)上的性能仍然很差。欠擬合是指模型未捕獲數(shù)據(jù)的邏輯。因此，欠擬合模型具備較低的準確率和較高的損失。

如何確定模型是否過擬合？

構(gòu)建模型時，數(shù)據(jù)會被分為 3 類：訓練集、驗證集和測試集。訓練數(shù)據(jù)用來訓練模型；驗證集用于在每一步測試構(gòu)建的模型；測試集用于最后評估模型。通常數(shù)據(jù)以 80:10:10 或 70:20:10 的比率分配。

在構(gòu)建模型的過程中，在每個 epoch 中使用驗證數(shù)據(jù)測試當前已構(gòu)建的模型，得到模型的損失和準確率，以及每個 epoch 的驗證損失和驗證準確率。模型構(gòu)建完成后，使用測試數(shù)據(jù)對模型進行測試并得到準確率。如果準確率和驗證準確率存在較大的差異，則說明該模型是過擬合的。

如果驗證集和測試集的損失都很高，那么就說明該模型是欠擬合的。

如何防止過擬合

1.交叉驗證

交叉驗證是防止過擬合的好方法。在交叉驗證中，我們生成多個訓練測試劃分（splits）并調(diào)整模型。K-折驗證是一種標準的交叉驗證方法，即將數(shù)據(jù)分成 k 個子集，用其中一個子集進行驗證，其他子集用于訓練算法。

交叉驗證允許調(diào)整超參數(shù)，性能是所有值的平均值。該方法計算成本較高，但不會浪費太多數(shù)據(jù)。交叉驗證過程參見下圖：

2.用更多數(shù)據(jù)進行訓練

用更多相關(guān)數(shù)據(jù)訓練模型有助于更好地識別信號，避免將噪聲作為信號。數(shù)據(jù)增強是增加訓練數(shù)據(jù)的一種方式，可以通過翻轉(zhuǎn)（flipping）、平移（translation）、旋轉(zhuǎn)（rotation）、縮放（scaling）、更改亮度（changing brightness）等方法來實現(xiàn)。

3.移除特征

移除特征能夠降低模型的復雜性，并且在一定程度上避免噪聲，使模型更高效。為了降低復雜度，我們可以移除層或減少神經(jīng)元數(shù)量，使網(wǎng)絡(luò)變小。

4.早停

對模型進行迭代訓練時，我們可以度量每次迭代的性能。當驗證損失開始增加時，我們應(yīng)該停止訓練模型，這樣就能阻止過擬合。

下圖展示了停止訓練模型的時機：

5.正則化

正則化可用于降低模型的復雜性。這是通過懲罰損失函數(shù)完成的，可通過 L1 和 L2 兩種方式完成，數(shù)學方程式如下：

L1 懲罰的目的是優(yōu)化權(quán)重絕對值的總和。它生成一個簡單且可解釋的模型，且對于異常值是魯棒的。

L2 懲罰權(quán)重值的平方和。該模型能夠?qū)W習復雜的數(shù)據(jù)模式，但對于異常值不具備魯棒性。

這兩種正則化方法都有助于解決過擬合問題，讀者可以根據(jù)需要選擇使用。

6.Dropout

Dropout 是一種正則化方法，用于隨機禁用神經(jīng)網(wǎng)絡(luò)單元。它可以在任何隱藏層或輸入層上實現(xiàn)，但不能在輸出層上實現(xiàn)。該方法可以免除對其他神經(jīng)元的依賴，進而使網(wǎng)絡(luò)學習獨立的相關(guān)性。該方法能夠降低網(wǎng)絡(luò)的密度，如下圖所示：

總結(jié)

過擬合是一個需要解決的問題，因為它會讓我們無法有效地使用現(xiàn)有數(shù)據(jù)。有時我們也可以在構(gòu)建模型之前，預(yù)估到會出現(xiàn)過擬合的情況。通過查看數(shù)據(jù)、收集數(shù)據(jù)的方式、采樣方式，錯誤的假設(shè)，錯誤表征能夠發(fā)現(xiàn)過擬合的預(yù)兆。為避免這種情況，請在建模之前先檢查數(shù)據(jù)。但有時在預(yù)處理過程中無法檢測到過擬合，而是在構(gòu)建模型后才能檢測出來。我們可以使用上述方法解決過擬合問題。