过拟合解决

过拟合

判定

在构建模型的过程中， 在每个epoch 中使用验证数据测试室当前已构建的模型，得到模型的损失和准确率， 以及 每个epoch的验证损失和验证准确率。当训练集的损失一直下降， 验证集的损失一直上升时即出现了过拟合， 当训练集的和验证集的准确率都很低， 那么说明模型欠拟合。

原因

1、数据量太小

2、训练集和验证集分布不一致

3、模型复杂度太大

在选择模型算法的时候，首先就选定一个复杂度很高的模型， 然后数据的规律是很简单的， 复杂的模型反而就不适用了。

4、数据量中存在噪声

数据还有很多噪声， 模型在学习的时候， 肯定也会把噪声规律学习到， 从而减小了具有一般性的规律。这个时候模型用来预测肯定效果不好。

5、过度训练

只要训练时间足够长， 那么模型肯定就会把一些噪声隐含到规律学习到， 这个时候降低模型的性能是显而易见的。

解决

1、正则化

正则化可用于降低模型的复杂性， 这是通过惩罚损失函数完成的， 可通过

L1

和

L2

两种方式完成。

• L1惩罚的目的是优化权重绝对值的总和。它生成一个简单且可解释的模型， 且对于异常值是鲁棒性的。
• L2惩罚权重值的平方和。该模型能够学习复杂的数据模式， 但对于异常值不具备鲁棒性。

2、Dropout

Dropout是一种正则化方法， 用于随机禁用神经网络单元， 它可以在任何隐藏层或输入层上实现， 但不能在输出层上实现。该方法可以免除对其他神经元的依赖， 进而使网络学习独立的相关性。该方法能够降低网络的密度。

3、早停

对模型进行迭代训练时， 我们可以度量每次迭代的性能， 当验证损失开始增加时， 我们应该停止训练模型， 这样就能阻止过拟合。

下图展示了停止训练模型的时机：

4、数据增强

5、交叉验证

交叉验证是防止过拟合的好方法， 在交叉验证中，我们生成了多个训练测试划分并调整模型。K-折验证是一种标准的交叉验证方法， 即将数据分成k个子集， 用其中一个子集进行验证， 其他子集用于训练。

交叉验证允许调整超参数，性能是所有值的平均值。该方法计算成本较高，但不会浪费太多数据。交叉验证过程参见下图：

6、BN

批归一化处理， 使得每一层的数据分布不变， 做归一化处理， 加快了模型的收敛速度，避免梯度消失， 提高准确率。