过拟合和欠拟合的原因解决方法

1.       Overfitting



* 定义：在训练集上表现良好，在测试集上表现糟糕
*  产生原因：
        1.训练集和测试集特征分布不一致

        2.数据噪声太大

        3.数据量太小

        4.特征量太多

        5.模型太过复杂



* 解决方法：
        1.减少特征数量

        2.正则化

        3.增大样本训练规模

        4.简化模型

        5.交叉验证

        6.dropout

2.       Underfitting



*   定义：在训练集和测试集上都表现糟糕。
*   产生原因：
        1.模型复杂度过低

        2.特征量过少



*   处理方法：
    1.增加新特征

    2.增加模型复杂度

3.        朴素贝叶斯



*   优点：又快又简单性能又好，在数据较少的情况下仍然有效，对数据缺失不敏感，可以处理多类别问题
*   缺点：需要知道先验概率，对输入数据的准备方式较为敏感，不能学习不同特征间的相互作用，表现简单不能做丰富的假设。
4.       决策树



*   优点：计算复杂度不高，容易解释和说明，输出结果易于理解，对中间值的缺失不敏感，数据的准备简单或者不必要，可以处理不相关特征数据。
*   缺点：可能会产生过拟合，忽略数据集中属性之间的相关性。

• « 上一篇：在工具类中注入service的解决方法
• » 下一篇：十分钟教你配置frp实现内网穿透