一文彻底搞懂深度学习

在深度学习中， 过拟合和欠拟合 是训练模型时经常出现的两大疑问，它们会重大影响模型的泛化才干。 过拟合，模型太复杂，学了噪声 训练数据上体现过好而在新数据上体现差； 欠拟合，模型太便捷， 没学够特色 训练数据和新数据上都体现不佳。

为了处置这些疑问，可以采取多种战略，包含 参与训练数据量、经常使用正则化技术、选用更适合的模型、启动特色选用和降维、驳回交叉验证 等。这些战略可以有效地提高模型的泛化才干，从而推进深度学习技术的进一步开展。

Overfitting&Underfitting

一、过拟合

什么是过拟合（Overfitting） ？过拟合是指模型在训练数据上体现得十分好，但在未见过的测试数据上体现很差的现象。换句话说，模型学习到了训练数据中的噪声和细节，而不只仅是数据中的实在法令。

过拟合的要素是什么？ 过拟合理论由模型过于复杂、训练数据无余或数据噪声等要素造成。

为了处置过拟合疑问，咱们可以采取 参与训练数据、降低模型复杂度、正则化、特色选用和交叉验证 等方法。

二、欠拟合

什么是欠拟合（Underfitting） ？ 欠拟合是指模型在训练数据上体现不好，同时在测试数据上也体现不好的现象。 这理论象征着模型未能捕捉到数据中的基本法令

欠拟合的要素是什么？ 训练数据无余、模型复杂渡过低（如层数过少、神经元过少）、训练期间无余

为了处置过拟合疑问，咱们可以采取 参与训练数据、提高模型复杂度、延伸训练期间 等方法。

原文链接：​ ​​ ​