可以通过查看训练集误差和验证集误差,从而判断算法达到什么效果。通过衡量训练集和验证集的误差就可以得出不同结论。

1.欠拟合:

假定训练集误差是 15%,验证集误差是 16%。这样则说明算法并没有在训练集中得到很好的训练,如果训练集数据的拟合度不高,就是数据欠拟合,就可以说这种算法偏差比较高。也就是我们说的没有训练好。
相反,它对于验证集产生的结果是合理的,验证集中的错误率只比训练集的多了 1%,所以这种算法偏差高,因为它甚至不能拟合训练集。就更别提验证集了。

训练集和验证集的误差都较高,但相差很少——>欠拟合

2.适度拟合

训练集误差是 0.5%,验证集误差是 1%,这样的结果偏差和方差都很低,说明训练效果很好,这是我们想要的结果。

训练集和验证集的误差都很低——>适度拟合

3.过拟合

假定训练集的误差是 1%,验证集误差是 11%,可以看出训练集训练的非常好,而验证集很差,从而可以判断可能过度拟合了训练集,在某种程度上,验证集并没有充分利用交叉验证集的作用,这就是过拟合现象,也称为“高方差”。

训练集误差较低,验证集误差比训练集大较多——>过拟合

4.最差的情况

训练集误差是 15%,偏差相当高,但是,验证集的评估结果更糟糕,错误率达到 30%,这样说明算法偏差高,因为它在训练集上结果不理想,而且方差也很高,这是方差偏差都很糟糕的情况。这是我们最不想看到的情况。

参考:吴恩达的深度学习视频

作者:GL3_24
来源:CSDN
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

如何判断欠拟合、适度拟合、过拟合相关推荐

  1. 如何判断LSTM模型中的过拟合和欠拟合 By 机器之心2017年10月02日 11:09 判断长短期记忆模型在序列预测问题上是否表现良好可能是一件困难的事。也许你会得到一个不错的模型技术得分,但了解

    判断长短期记忆模型在序列预测问题上是否表现良好可能是一件困难的事.也许你会得到一个不错的模型技术得分,但了解模型是较好的拟合,还是欠拟合/过拟合,以及模型在不同的配置条件下能否实现更好的性能是非常重要 ...

  2. 过拟合解决方法python_《python深度学习》笔记---4.4、过拟合与欠拟合(解决过拟合常见方法)...

    <python深度学习>笔记---4.4.过拟合与欠拟合(解决过拟合常见方法) 一.总结 一句话总结: 减小网络大小 添加权重正则化 添加 dropout 正则化 1.机器学习的根本问题? ...

  3. 神经网络怎么解决过拟合,解决神经网络过拟合

    如何防止神经网络过拟合,用什么方法可以防止? 你这个问题本来就问的很模糊,你是想问神经网络的过拟合变现什么样还是为什么出现过拟合呢. 为此针对于第一个问题,神经网络的过拟合与支持向量机.高斯混合模型等 ...

  4. 机器学习--线性回归4(线性拟合、局部线性拟合实战)

    前面三节,我们从最简单的一元线性回归到多元线性回归,讨论了,损失函数到底由那几部分组成(这点我觉很重要,因为它不仅仅存在线性回归中还存在其他机器学习中,因此有必要搞明白他,有兴趣的请看这篇文章),后面 ...

  5. matlab数据拟合语句,Matlab数据拟合程序 - 范文中心

    课程设计名称: 设计二:数据拟合 指导教师: 张莉 课程设计时数: 6 课程设计设备:安装了Matlab .C ++软件的计算机 课程设计日期: 实验地点: 第五教学楼北902 课程设计目的: 1. ...

  6. MATLAB 美国标准普尔500指数(sp500)的资产收益率分布的拟合与检验 统计图 拟合检验 描述性统计量分析 matlab

    MATLAB 美国标准普尔500指数(sp500)的资产收益率分布的拟合与检验 统计图 拟合检验 描述性统计量分析 matlab 文章目录 实验内容 实验(一):下载并保存数据 实验(二):数据的描述 ...

  7. halcon已知多点拟合圆_Halcon拟合圆spoke、拟合直线算子rake 用于测量 【开源版下载】...

    51Halcon诚邀您的加入,专注于机器视觉开发与应用技术,我们一直都在努力! 您需要 登录 才可以下载或查看,没有帐号?会员注册 x 原826工作室鸟叔真情奉献 Halcon拟合圆Spoke.拟合直 ...

  8. 防止过拟合以及解决过拟合

    本文转载:http://blog.sina.com.cn/s/blog_53c47a2f0102vjyf.html 过拟合:为了得到一致假设而使假设变得过度复杂称为过拟合."一个过拟合的模型 ...

  9. 多项式拟合缺点_多项式拟合

    在网上看别人的心得 一 最小二乘法的基本原理 从整体上考虑近似函数同所给数据点(i=0,1,-,m)误差(i=0,1,-,m)的大小,常用的方法有以下三种:一是误差(i=0,1,-,m)绝对值的最 ...

  10. C++最小二乘拟合 (高阶最小二乘拟合)

    文章目录 原文链接: https://blog.csdn.net/weixin_44344462/article/details/88850409 https://blog.csdn.net/xsz5 ...

最新文章

  1. android o 全机型推送,氢OS(Android O)官方更新推送 一加两款机型完成适配
  2. Python3中装饰器@typing.overload的使用
  3. php 5/0,PHP 5.5.0 released.该怎么解决
  4. 58 Node.js中操作mongoDB数据库
  5. Android之使用Jsoup抓取网络数据
  6. python中的装饰器有哪些-python 装饰器以及开发中常用的例子
  7. SSM始用 @Autowired(required = false)的一个坑
  8. 阿里公开Weex技术架构,还开源了一大波组件
  9. Java类集-set
  10. 在J2SE应用程序中模拟CDI的会话和请求范围
  11. jquery知识点总结二
  12. 基于Bmob从零开始写一个博客小程序
  13. php调用拼多多的接口
  14. 吸引美女的50个必备技巧,并有79个…
  15. matlab 函数semilogy()
  16. 听听周报-谷歌发布首款真无线耳机 Pixel Buds|苹果发布全新头戴式耳机 Beats Solo Pro
  17. 软件测试行业到底有没有前景和出路?软件测试职业发展方向总结
  18. js两种滚动事件写法
  19. android 接口sign,[原创]小米APP登录接口env、envkey、sign、hash算法
  20. iOS开发面试—四面字节iOS客户端抖音隐私合规团队

热门文章

  1. 【c语言】复习无止境,day4--堆内存宏函数篇
  2. python 对象的销毁_python对象销毁(垃圾回收)
  3. php mocking,php – Mocking Static Eloquent Models方法包括find()
  4. No module named ‘frontend‘
  5. canvas流星雨网页h5动画
  6. Excel入门(一)
  7. 步态情绪识别:STEP学习
  8. c#语言小括号里面的逗号是什么意思
  9. Sequence Model-week1编程题2(Character level language model-Dinosaurus land)
  10. 信迈AM5728 DSP+ARM高性能图像处理核心板功能介