机器学习中的过拟合与欠拟合

过拟合与欠拟合

什么是过拟合与欠拟合？

过拟合是指模型对于训练数据拟合呈过当的情况，反映到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现较差。欠拟合指的是模型在训练和预测时表现都不好的情况。下图形象地描述了过拟合和欠拟合的区别。

可以看出，图（a）是欠拟合的情况，拟合的黄线没有很好地捕捉到数据的特征，不能够很好地拟合数据。图（c）则是过拟合的情况，模型过于复杂，把噪声数据的特征也学习到模型中，导致模型泛化能力下降，在后期应用过程中很容易输出错误的预测结果。

如何降低过拟合和欠拟合风险？

1. 降低“过拟合”风险的方法

   • 从数据入手，获得更多的训练数据。使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习到更多更有效的特征，减小噪声的影响。当然，直接增加实验数据一般是很困难的，但是可以通过一定的规则来扩充训练数据。比如，在图像分类的问题上，可以通过图像的平移、旋转、缩放等方式扩充数据；更进一步地，可以使用生成式对抗网络来合成大量的新训练数据。
   • 降低模型复杂度。在数据较少时，模型过于复杂是产生过拟合的主要因素，适当降低模型复杂度可以避免模型拟合过多的采样噪声。例如，在神经网络模型中减少网络层数、神经元个数等；在决策树模型中降低树的深度、进行剪枝等。
   • 正则化方法。给模型的参数加上一定的正则约束，比如将权值的大小加入到损失函数中。
   • 集成学习方法。集成学习是把多个模型集成在一起，来降低单一模型的 过拟合风险，如 Bagging 方法。
   • 早停（Early stopping）。在模型的训练精度已经到达一定的需求时停止训练，以防止模型学习过多的样本噪声。
   • Dropout 方法。在深度学习中，我们经常会使用 dropout 的方法来防止过拟合，dropout 实际上借鉴来 bagging 的思想。
   • 加入噪声，给定训练样本集更多的样本噪声，使得模型不易完全拟合这些噪声，从而只在大程度上的训练学习我们想要的数据特征关系。

2. 降低“欠拟合”风险的方法

   • 添加新特征。当特征不足或者现有特征与样本标签的相关性不强时，模型容易出现欠拟合。通过挖掘“上下文特征”“ID 类特征”“组合特征”等新的特征，往往能够取得更好的效果。在深度学习潮流中，有很多模型可以帮助完成特征工程，如因子分解机（FM）、梯度提升决策树（GBDT）、Deep-crossing 等都可以成为丰富特征的方法。
   • 增加模型复杂度。简单模型的学习能力较差，通过增加模型的复杂度可以使模型拥有更强的拟合能力。例如，在线性模型中添加高次项，在神经网络模型中增加网络层数或神经元个数等。
   • 减小正则化系数。正则化是用来防止过拟合的，但当模型出现欠拟合现象时，则需要有针对性地减小正则化系数。

参考资料

1. 《百面机器学习 算法工程师带你去面试》（过拟合与欠拟合，理解正则化）