过拟合

岭回归和LASSO回归

因为模型只学习了训练集上数据的特性，比如训练集都是白天的猫，很可能给一张黑夜的猫的照片它就分辨不出，这也叫过拟合。
全栈O-Jay·2022-11-25 23:48

python多项式拟合结合lasso回归_线性回归的正则化 ——岭回归与LASSO回归

本文作者：王歌文字编辑：孙晓玲技术总编：张邯导读在《基于广义线性模型的机器学习算法——线性回归》中我们介绍了如何使用线性回归算法来拟合学习器，但有时使用线性回归可能会产生过拟合的现象，此时我们通常有两种途径解决
weixin_39533052·2022-11-25 23:16

李宏毅机器学习课程自测练习题

计划包含以下内容)：简介线性分类与感知机数学基础卷积神经网络循环神经网络自注意力机制Transformer自监督学习自编码器对抗生成网络可解释AI与对抗攻击领域自适应深度强化学习I.序言1.下列哪种方法可以用来减小过拟合
xiongxyowo·2022-11-25 22:52

机器学习基础----基于吴恩达机器学习课程的笔记

回归问题一、函数模型----线性回归二、算法模型（一）梯度下降算法（二）正规方程法三、分类问题先从二分类开始（0或1）：一、函数模型----Logistic回归二、算法模型（一）梯度下降算法多分类：四、过拟合的问题一
W.xyz·2022-11-25 22:07

决策树C4.5算法

C4.5算法在ID3算法上做了提升，使用信息增益比来构造决策树，且有剪枝功能防止过拟合，本模块将以C4.5算法介绍决策树的构造策略。欠拟合：训练得到的模型在训练集集测试中表现就很差，准确度很低。
_小许_·2022-11-25 21:49

决策树之C4.5算法

2.采用悲观剪枝ID3构造决策树的时候，容易产生过拟合的情况。在C4.5中，会在决策树构造
Persist_bcl·2022-11-25 21:18

决策树算法之cart剪枝

决策树算法之cart剪枝1为什么要剪枝【决策树容易发生过拟合】•横轴表示在决策树创建过程中树的结点总数，纵轴表示决策树的预测精度。
IT之一小佬·2022-11-25 21:41

数据挖掘知识点整理（期末复习版）

什么是过拟合？什么是混淆矩阵？什么是ROC曲线/AUC评价标准？什么是代价敏感学习？==第二章数据==数据属性类型什么叫做非对称属性？数据集的一般特性什么是维
一只可爱的小猴子·2022-11-25 21:36

卷积神经网络核心概念再复习+Pytorch一维卷积的实现

蓝色紫色红色深度学习之卷积神经网络基本的图像分类模型架构卷积层：用来提取图像的底层特征池化层：防止过拟合，减小数据维度全连接层：汇总卷积层和池化层得到的底层特征和信息，再进行输出。
Nismilesucc·2022-11-25 21:30

机器学习之决策树算法后期（预剪枝后剪枝）

那是因为决策树的过拟合的风险很大。因为理论上来说可以将数据完全分的开，如果树足够大，每个叶子节点就剩下了一个数据。
YanHi001·2022-11-25 21:28

防止模型过拟合的必备方法！

在机器学习中，过拟合（overfitting）会使模型的预测性能变差，通常发生在模型过于复杂的情况下，如参数过多等。本文对过拟合及其解决方法进行了归纳阐述。
小白学视觉·2022-11-25 20:49

模型训练中的过拟合\欠拟合

过拟合过拟合是指模型在训练过程中学习了所有样本的特征，复杂度高于实际问题。其泛化性能很差，在训练集中表现非常好，但是在测试集上的表现很差。
superY25·2022-11-25 20:19

怎样模型防止过拟合

过拟合的表现：在训练集上loss很小，但在验证集和测试集上精度不高原因：参数量和数据量的极度不平衡，没有学习到数据通用特征，学习到些数据的特殊特征，导致泛化能力弱。
往事如yan·2022-11-25 20:19

【过拟合】防止模型过拟合的必备方法！

在机器学习中，过拟合（overfitting）会使模型的预测性能变差，通常发生在模型过于复杂的情况下，如参数过多等。本文对过拟合及其
zenRRan·2022-11-25 20:18

防止模型过拟合之提前终止(EarlyStopping)

tf.keras.callbacks.EarlyStopping使用方法tf.keras.callbacks.EarlyStopping使用示例在训练数据集上拟合得过于完美，在测试数据上的表现可能会变差，即出现过拟合
象象家的小蜜桃·2022-11-25 20:48

经典问题：防止模型过拟合

在机器学习中，过拟合（overfitting）会使模型的预测性能变差，通常发生在模型过于复杂的情况下，如参数过多等。本文对过拟合及其解决方法进行了归纳阐述。
机器学习与AI生成创作·2022-11-25 20:45

#深入分析# 深度学习中如何防止模型过拟合

下边几点防止模型过拟合的方法本质上都是通过减小网络规模实现的1.使用Dropout层深度学习特有结构，以训练过程中一定概率丢弃某些神经元；在训练过程中使用Dropout层本质上是同时训练了多个不同模型，
energy_百分百·2022-11-25 20:14

为什么数据增强能防止过拟合：以曲线拟合为例

文章目录本文档暂未完成多项式+最小二乘法做曲线拟合的数学基础程序解释训练和测试数据使用原始训练数据做曲线拟合过拟合现象的loss表现数据增强使用增强后的数据做曲线拟合数据增强后的loss表现本文档暂未完成多项式
拜阳·2022-11-25 20:42

如何防止我的模型过拟合？这篇文章给出了6大必备方法

在机器学习中，过拟合（overfitting）会使模型的预测性能变差，通常发生在模型过于复杂的情况下，如参数过多等。本文对过拟合及其解决方法进行了归纳阐述。
数据分析v·2022-11-25 20:11

机器学习: 如何防止过拟合

1.什么是过拟合？对于数据挖掘或者机器学习建立的模型model来说，该模型在训练集上的表现性能较好，而在测试集上效果很差，也就是说该模型的泛化能力差，我们就称之为过拟合（overfitting）。
机器不学习我学习·2022-11-25 20:09

20221124【深度学习】学习笔记

今日学习目录今日学习一、pytorch编程和DL基础知识1.torch.meshgrid()函数2.torch.linspace()函数3.凸函数与凹函数4.Hessian矩阵、正定矩阵二、西瓜书2.1经验误差与过拟合
脑瓜嗡嗡0608·2022-11-25 20:39

防止模型过拟合之数据增强

目录定义预处理方法keras内置的预处理层自定义keras预处理层tf.image方法应用预处理方法预处理层包含在模型中预处理应用到数据集数据增强是通过对训练数据进行随机的变换，增加训练数据多样性的一种方法。对训练数据进行的随机变换最好是可能真实存在的。比如，对训练图片的亮度进行随机变换，因为实际使用中，获取到的图片亮度可能会发生变化。由于数据增强使得训练数据更为多样，通过这种方法训练的模型可以在
象象家的小蜜桃·2022-11-25 20:38

李宏毅深度学习自用笔记（未完）

1.机器学习的三个步骤：2.线性回归模型2.梯度下降2.如何选择模型、减小误差2.欠拟合2.过拟合2.平滑2.正则化2.交叉验证3.梯度下降再回顾3.自适应学习率3.Adagrad4.分类模型4.为什么不能把分类当成回归去做
嫣然一笑媚众生·2022-11-25 20:01

PaddleOCR自定义训练集初次记录

PaddleOCRV2自定义训练集初次记录使用MobieNetV3预训练检测模型训练参数设置训练了5个epoch后评估效果（发现训练集较少，可能存在过拟合）使用ch_ppocr_server_v2.0_
asOneMaster·2022-11-25 19:29

LightGBM原理与参数

核心参数num_leaves叶节点数结果对最终效果影响较大，越大值越好，太大会出现过拟合，与模型复杂度直接相关(leaf-wise)num_iterations迭代次数num_iterations,num_round
dzzxjl·2022-11-25 17:16

深度学习中的激活函数

ReLU修正线性单元（RectifiedLinearUnit,ReLU）a=max(0,z)简单而粗暴，大于0的留下，否则一律为0ReLU函数会使得部分神经元不会产生激活，造成网络结构的稀疏性，缓解过拟合的问题优点
dzzxjl·2022-11-25 17:16

机器学习面试笔试超详细总结（一）（转载）

目录1、判别模型和生成模型2、最大概率分词3、中文分词的基本方法4、CRF（条件随机场）的特点5、隐马尔可夫模型（HMM）时间复杂度及可以使用的数据集6、在二分类问题中的评价方案7、决策树特点8、过拟合
尊新必威·2022-11-25 17:02

深度学习优化技巧汇总

一、batch-nrom和layernormnorm的作用出发点：让每一层的参数稳定下来，避免梯度消失和爆炸，方便后续的学习；也在一定程度上防止了过拟合。
青灯剑客·2022-11-25 16:18

深度学习相关问题汇总

训练集用以训练模型获得参数，验证集用以防止模型对训练集过拟合，二者是在训练过程中可以看到的数据集，而测试集理论上我们是不能看到的，用以检验模型效果。
Amour_sm·2022-11-25 16:39

深度学习笔记之正则化、激活函数、卷积

.激活函数1.激活函数需要具备的性质2.死亡Relu问题三.卷积1.池化（pooling）2.转置卷积3.空洞卷积参考一.正则化(Regularization)正则化是一类通过限制模型复杂度，从而避免过拟合
刘皮狠·2022-11-25 15:44

为什么深度神经网络这么难训练？| 赠书

作者以技术原理为导向，辅以贯穿全书的MNIST手写数字识别项目示例，介绍神经网络架构、反向传播算法、过拟合解决方案、卷积神经网络等内容，以及如何利
AI科技大本营·2022-11-25 15:35

我们追求的泛化，竟是一条死路？

炼丹时，我们绝大多数时候去对抗的，也是泛化的反面，即过拟合。大模型、大数据加持之后，深度学习算法的确也帮助我们解决了很多无法枚举的问题，关于其泛化能力的研究也越来越多，比如翻译模型，强大的泛化能力
夕小瑶·2022-11-25 15:20

【机器学习】《动手学深度学习 PyTorch版》李沐深度学习笔记（ResNet、ResNeXt）

在深度学习中，网络层数增多一般会伴着下面几个问题：1.计算资源的消耗（使用GPU集群）2.模型容易过拟合（扩大数据集、Droupout、批量归一化、正则化、初始化参数调整等等方法）3.梯度消
Jul7_LYY·2022-11-25 15:03

头歌平台-机器学习-5.模型评估、选择与验证

EduCoder平台：机器学习—模型评估、选择与验证第1关：为什么要有训练集与测试集第2关：欠拟合与过拟合第3关：偏差与方差第4关：验证集与交叉验证第5关：衡量回归的性能指标第6关：准确度的陷阱与混淆矩阵编程要求
Pretend ^^·2022-11-25 14:34

卷积神经网络CNN---NiN

最大的问题是，这个容易带来过拟合。所以NiN的思想就是，不要全连接层。一、NiN块1、块介绍NiN块以⼀个普通卷积层开始，后面是两个1×1的卷积层。
奶茶可可·2022-11-25 14:14

神经网络控制simulink仿真,神经网络控制系统仿真

而且，通常网络结构越复杂，神经网络的模拟性能越好，但是过拟合的可能性也越大。谷歌人工智能写
普通网友·2022-11-25 13:00

决策树（二）

背景：在训练决策树模型时，会出现欠拟合和过拟合两种情况。而剪枝的目的就是解决过拟合问题。过拟合：过拟合是指过于精确地匹配了特定数据集，导致获得的模型不能良好地拟合其他数据或预测未来的观察结果的现象。
Say：Hi~·2022-11-25 13:24

DW李宏毅机器学习笔记--Task02-回归

损失函数如何判断众多模型的好坏Step3：最佳模型-梯度下降梯度下降推演最优模型的过程梯度下降算法在现实世界中面临的挑战w和b偏微分的计算方法如何验证训练好的模型的好坏更强大复杂的模型：1元N次线性模型过拟合问题出现步骤优化
湘玄书生·2022-11-25 12:20

NLP相关知识点问答总结（三）

答：相同点：1：都可以用来防止过拟合2：其主要思想都是结构风险最小化：在经验风险最小化的基础上（也就是训练误差最小化，原有的损失），尽可能采用简单的模型，以此提高泛化预测精度。
金色麦田~·2022-11-25 12:39

神经网络的输入稀疏矩阵,神经网络中的矩阵运算

一、隐层数一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。
阳阳2013哈哈·2022-11-25 12:06

机器学习过拟合处理办法

CleverMethodsofOverfittingTags:Organization—jl@10:56am“Overfitting”istraditionallydefinedastrainingsomeflexiblerepresentationsothatitmemorizesthedatabutfailstopredictwellinthefuture.Forthispost,Iwilld
necrazy·2022-11-25 11:31

数据增强（Data Augmentation）常用方法汇总

1、数据增强的作用1）避免过拟合。当数据集具有某种明显的特征，例如数据集中图片基本在同一个场景中拍摄，使用Cutout方法和风格迁移变化等相关方法可避免模型学到跟目标无关的信息。
alex1801·2022-11-25 10:10

秋招历险记-深度学习

深度学习1、如何预防网络过拟合？数据集增广：对数据集进行操作、旋转、翻转等操作。添加干扰也可以认为是一种数据增强的方法。模型过于复杂：针对于mnist等比较简单的数据集却安排了一个比较强的模型。
江户川柯东·2022-11-25 10:36

NNDL 实验八 网络优化与正则化（6）网络正则化

7.6网络正则化方法正则化（Regularization）是一类通过限制模型复杂度，从而避免过拟合、提高泛化能力的方法，比如引入约束、增加先验、提前停止等。
HBU_David·2022-11-25 10:14

深度学习原理流程以及过程

什么是深度学习二、深度学习的流程2.0几个概念（1）损失函数（lossfunction）（2）梯度：（3）one-hotencoding（4）参数2.1数据预处理2.1.1训练数据、验证数据、测试数据2.1.2过拟合以及正则化
rs_gis·2022-11-25 09:03

深度学习CV八股文

深度学习CV八股文一、深度学习中解决过拟合方法L1和L2正则化DropoutDropout正则化InvertedDropout（反向随机失活）Dropout起到正则化效果的原因：Dropout的缺点eargstopping
入坑&填坑·2022-11-25 07:01

2022 11月24 Ridge/LASSO Regression学习笔记

解决过拟合现象，减少高次项的影响，使曲线更加平滑。利用正则化。岭回归和LASSO都是一种正则化。岭回归是将代价函数正则化LASSO回归是将高价的项正则化，让他们的影响不那么大。
小蒋的技术栈记录·2022-11-25 07:36

ResNet论文阅读笔记

并且这并不是过拟合的问题：
--ccyyy·2022-11-25 03:54

解决过拟合（over-fitting）

在我们学习深度学习时，我们很有可能遇到过拟合问题，所谓过拟合，顾名思义就是我们所训练的网络过于“强大”。举个例子，我们生活中都想要变成一个骄傲的人，但是由于后来成长过猛，我们变成了一位自负的人。
桐镜不是铜镜·2022-11-25 02:02

随机森林 matlab

Bagging集成的基础上，进一步在决策树的训练过程中引入了随机特征选择因此可以概括RF包括四个部分：1、随机选择样本（放回抽样）；2、随机选择特征属性；3、构建决策树；4、随机森林投票（平均）因此防止过拟合
做一个码农都是奢望·2022-11-24 23:59
上一页 47 48 49 50 51 52 53 54 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他