防止过拟合的常用方法
1.正则化：使用正则项约束模型参数来限定模型复杂度，减少参数量，降低模型过拟合的可能性。例如，由于L1正则可提高模型稀疏性，当训练样本较少时，选择以L1正则为优化函数的模型。L2正则则可减少偏差
2.丢弃法：引入Dropout层，在训练层丢弃部分神经元，让模型不能完全记住输入训练样本，从而减少过拟合。
3.数据增强：利用已有的数据进行随机变换，从而扩大原始数据集，使模型的泛化能力有所提高，从而减少过拟合。
4.调节参数：调整参数，给模型“加约束”，可以控制模型的复杂度和训练复杂度，使模型更加泛化。
5.交叉验证：将训练数据集拆分成N份，依次取出一份作为验证，其余作为训练，得到N个结果后取一个平均值，以减少过拟合的可能性。
>正则化是为了防止

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。