前言
過擬合可以通俗理解為模型學習到了訓練資料幾乎全部的特徵,對於訓練集具有非常高的準確率,但對於測試集的特徵敏感,往往不能再測試集中取得較高準確率,這種現象主要是由於在訓練過程中,為了使模型學到更多的特徵,從而增加模型的複雜程度,使模型更加依賴訓練集,而泛化能力較弱。
如上圖所示,過擬合會給模型帶來很不好的影響,對於乙個模型,不斷增加引數提公升模型的複雜程度,起初error會下降,隨後便上公升,拐點之後就發生了過擬合,由於模型過於複雜,對未知資料的擬合性較差。
過擬合經常存在於機器學習模型中,尤其是深度學習模型中,由於深度學習模型網路結構較深,有此帶來的過擬合也相當嚴重。在深度學習模型中,常用到以下幾種方法來處理過擬合問題。
資料增強在alexnet模型中就有使用,在vgg**中更是以大篇幅進行對比分析,其思想比較簡單,通過增加資料量來提高模型的泛化能力,從而防止過擬合,這種方法在計算機視覺領域應用最多,實現方式為裁剪、縮放、翻轉等操作,比如輸入大小為256x256,隨機裁剪為224x224的,在畫素的角度,一張就可以得到很多張裁剪,這樣便大大擴充了資料集。資料增強不像bn、正則這些方法有很多數學推導,它使用且簡單。
對模型進行訓練的過程即是對模型的引數進行學習更新的過程,這個引數學習的過程往往會用到一些迭代方法,如梯度下降(gradient descent)學習演算法。early stopping便是一種迭代次數截斷的方法來防止過擬合的方法,即在模型對訓練資料集迭代收斂之前停止迭代來防止過擬合。
early stopping方法的具體做法是,在每乙個epoch結束時(乙個epoch集為對所有的訓練資料的一輪遍歷)計算validation data的accuracy,當accuracy不再提高時,就停止訓練。這種做法很符合直觀感受,因為accurary都不再提高了,在繼續訓練也是無益的,只會提高訓練的時間。那麼該做法的乙個重點便是怎樣才認為validation accurary不再提高了呢?並不是說validation accuracy一降下來便認為不再提高了,因為可能經過這個epoch後,accuracy降低了,但是隨後的epoch又讓accuracy又上去了,所以不能根據一兩次的連續降低就判斷不再提高。一般的做法是,在訓練的過程中,記錄到目前為止最好的validation accuracy,當連續10次epoch(或者更多次)沒達到最佳accuracy時,則可以認為accuracy不再提高了。此時便可以停止迭代了(early stopping)。這種策略也稱為「no-improvement-in-n」,n即epoch的次數,可以根據實際情況取,如10、20、30……
怎樣模型防止過擬合
如此 過擬合的表現 在訓練集上loss很小,但在驗證集和測試集上精度不高 原因 參數量和資料量的極度不平衡,沒有學習到資料通用特徵,學習到些資料的特殊特徵,導致泛化能力弱。如白天鵝和黑天鵝,僅用白天鵝訓練,是否能識別黑天鵝,顏色是特殊特徵,不應該作為顯著特徵。方法1 豐富資料集,增大資料集,適當減少...
防止過擬合的方法
過擬合 overfitting 是指在模型引數擬合過程中的問題,由於訓練資料報含抽樣誤差 訓練時,複雜的模型將抽樣誤差也考慮在內,將抽樣誤差也進行了很好的擬合。具體表現就是最終模型在訓練集上效果好,在測試集上效果差,模型泛化能力弱。演算法為了滿足盡可能複雜的任務,其模型的擬合能力一般遠遠高於問題複雜...
機器學習中防止過擬合的處理方法
過擬合 隨著模型複雜度的增加 訓練集誤差減小,驗證集誤差增大,1 early stopping 每次迭代計算驗證集的accuracy,連續10次沒突破最佳就停止訓練。2 資料集擴增 複製原有資料加上隨機雜訊,重取樣,根據當前資料集估計資料分布引數,使用該分布產生更多的資料。3 正則化 範數 滿足 正...