过拟合：所表现的就是模型训练误差很小，但测试误差很大，对于产生这种现象以下说法正确

过拟合：所表现的就是模型训练误差很小，但测试误差很大，对于产生这种现象以下说法正确？

提示：

基础知识：
【1】深度学习机器学习笔试面试知识——正则化

文章目录

• 过拟合：所表现的就是模型训练误差很小，但测试误差很大，对于产生这种现象以下说法正确？
• • @[TOC](文章目录)
• 题目
• 二、解题
• 总结

题目

在机器学习中，如果一味的去提高训练数据的预测能力，所选模型的复杂度往往会很高，这种现象称为过拟合。所表现的就是模型训练时候的误差很小，但在测试的时候误差很大，对于产生这种现象以下说法正确的是：（）
样本数量太少
样本数量过多
模型太复杂
模型太简单

二、解题

样本数量太少，或者模型过分复杂，
都会使得训练出来的模型“完全记住”给出的训练样本之间的关系
（相当于只是背下来了试卷，但是等到高考的时候遇到新的题还是不会做）
而缺乏泛化能力 使得模型过拟合

关于过拟合，如何降低过拟合的方法：看下文
【1】深度学习机器学习笔试面试知识——正则化

过拟合与欠拟合
讲正则化前，需要先讲过拟合与欠拟合。
神经网络在完成学习后，对应就是一个函数，网络学习的过程，就是这个函数拟合数据分布的过程：

如图中，红色×就是实际数据的分布，
绿色就是拟合刚刚好的函数。——我们期待神经网络能学出这么一个模型来。
而左边的蓝色就是过拟合，拟合得太好了，针对以后的新数据可能泛化性能就差；
而右边的蓝色就是欠拟合，还差得远，没有很好的拟合现有的数据分布。

如何判断过拟合？过拟合与欠拟合的评判标准
过拟合与欠拟合的评判标准【很容易】
（1）过拟合：训练集效果很好，测试集效果较差（训练OK，测试不行）
（2）欠拟合：训练集效果差，测试集效果也差。（训练测试都很差，等于没干）

什么是正则化？为什么要正则化？
目标是减少特征的数量，减少过拟合。贪多爵不烂！！！
目标是减少特征的数量，减少过拟合。贪多爵不烂！！！
目标是减少特征的数量，减少过拟合。贪多爵不烂！！！

总结

提示：重要经验：

1）样本数量太少，或者模型过分复杂，都会导致过拟合
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。