过拟合与欠拟合

1. 什么是过拟合与欠拟合

欠拟合（underfitting）：

模型的表达能力 < 真实的复杂度，train acc.（train loss） 和 test acc.（test loss） 都不能令人满意。

过拟合（overfitting）：

模型的复杂度 > 真实的复杂度，即为了让loss更低，从而靠近每一个数据点，train acc.（train loss） 会特别好，但是 test acc.（test loss）会特别差且泛化能力差。

三种模型示例：

2. 如何验证overfitting

方法一：划分数据集为train set和test set

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
 #测试以选择模型参数，提前终止training，来防止overfitting
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28 * 28)

        logits = forward(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

    test_loss = 0
    correct = 0
    for data, target in test_loader:
        data = data.view(-1, 28 * 28)
        logits = forward(data)
        test_loss += criteon(logits, target).item()

        pred = logits.data.max(1)[1]
        correct += pred.eq(target.data).sum()

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

方法二：更常用的方法是把数据集划分为三部分：train set 、val set和test set

print('train:', len(train_db), 'test:', len(test_db))
train_db, tval_db = torch.utils.data.random_split(train_db, [50000, 10000])
print('db1:', len(train_db), 'db2:', len(val_db))
train_loader = torch.utils.data.Dataloader(
    train_db,
    batch_size = batch_size,shuffle = True
)
val_loader = torch.utlis.data.Dataloader(
    val_db,
    batch_size = batch_size, shuffle = True
)

3.如何避免overfitting

①more data

②constraint model complexity

方法一：当数据集有限的时候，不用选太深的、表达能力太强的模型。
方法二：regularization

③dropout

④data argumentation

⑤early stooping