防止过拟合的几种方法
过拟合的原因往往是：
1训练数据不足，训练数据无法对整个数据的分布进行估计的时候
2训练过度 ，导致模型过拟合
1：数据集扩增
几种方法，采集更多的数据
复制原有的数据，加速噪声
重采样
生成已有模型的分布，产生更多数据。（比如假设数据服从高斯分布，那么就根据现有数据估计高斯分布的参数，然后产生更多的数据）
2：early-stopping
对模型进行训练的过程往往是一个对模型更新的过程，这个过程往往是一个迭代的过程。在这个迭代的过程中，如果当迭迭代一次次数，validation accuracy 不在变化时，那就就及时的停止模型的训练。
3：正则化
正则化可以防止过拟合使用L1，L2，Elastic net 等正则化方法。
4：DropOut
神经网络中的方法

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。