0
点赞
收藏
分享

微信扫一扫

Torch_4_过拟合与欠拟合

鱼满舱 2022-05-01 阅读 78

介绍


过拟合与欠拟合是DL中永恒的问题,其本质上是模型容量数据复杂度之间进行匹配的结果。

数据复杂度很好理解,就是我们想要学习的数据中特征的复杂程度,预测股市或者房价模型的数据肯定比预测 y = a x + b y=ax+b y=ax+b模型的数据复杂。
一般来说,越复杂的数据就需要越复杂的模型进行拟合。

模型容量描述的就是模型的复杂程度,一般可以用模型的参数数量、参数值范围和网络的深度等角度来衡量。

过拟合本质上就是模型过于复杂从而导致的强学习能力,不仅学习到样本数据中的特征,也学习到噪音的特征,甚至于,记住了所有的样本。


-简单数据复杂数据
简单模型-欠拟合
复杂模型过拟合-


控制手段


(目前了解的,后续再补充)

  • 权重衰退

    • 思想是在损失计算时,加入权重范数 ∣ ∣ w ∣ ∣ 2 < θ ||w||^2 < θ w2<θ的限制
    • 限制的是模型的参数范围
    • 为方便计算,采用惩罚(penalty)的方式,
      • l o s s = l o s s + λ 2 ∣ ∣ w ∣ ∣ 2 loss=loss +\frac{λ}{2}||w||^2 loss=loss+2λw2, 通过设置λ柔性限制
    • 梯度更新时,
      • 使 w t + 1 = ( 1 − η λ ) w t − η ∂ l ∂ w w_{t+1}=(1-ηλ)w_t-η\frac{∂l}{∂w} wt+1=(1ηλ)wtηwl
      • 每次更新缩减权重,衰退,控制参数范围
  • DropOut

    • 思想很简单,每次训练时只选取隐藏层的部分节点参与模型训练
    • 限制的是模型的参数数量
    • 一般可配合交叉验证方法
      在这里插入图片描述
举报

相关推荐

0 条评论