当前位置:网站首页>5.过拟合,dropout,正则化
5.过拟合,dropout,正则化
2022-07-07 23:11:00 【booze-J】
过拟合
过拟合导致测试误差变大:
可以看到图中随着模型结构的越来越复杂,训练集的误差越来越小,测试集的误差先变小后变大,过拟合导致测试误差变大。
比较好的情况是训练误差和测试误差这两条线比较接近。
防止过拟合
1.增大数据集
数据挖掘领域流行着这样一句话,“有时候拥有更多的数据胜过一个好的模型”。一般来说更多的数据参与训练,训练得到的模型就越好。如果数据太少,而我们构建的神经网络又太复杂的话就比较容易产生过拟合的现象。
2.Early stopping
在训练模型的时候,我们往往会设置一个比较大的选代次数。Early stopping便是一种提前结束训练的策略用来防止过拟合。
一般的做法是记录到目前为止最好的validation accuracy,当连续10个Epoch没有达到最佳accuracy时,则可以认为accuracy不再提高了。此时便可以停止迭代了(Early Stopping)。
3.Dropout
每次训练的时候,都会随机的去关闭一些神经元,关闭的意思并不是去掉,而是这些画虚线的神经元不参与训练。注意一般训练完,测试模型的时候,是使用所有神经元,不会进行dropout。
4.正则化
C0代表原始的代价函数,n代表样本的个数, λ \lambda λ就是正则项系数,权衡正则项与C0项的比重。
L1正则化:
L1正则化可以达到模型参数稀疏化的效果。
L2正则化:
L2正则化可以使得模型的权值衰减,使模型参数值都接近于0。
当 λ \lambda λ=0.001时,出现了过拟合现象,当 λ \lambda λ=0.01时,有较轻微的过拟合,当 λ \lambda λ=0.1的时候没有出现过拟合现象。
边栏推荐
- Service Mesh介绍,Istio概述
- Reptile practice (VIII): reptile expression pack
- The method of server defense against DDoS, Hangzhou advanced anti DDoS IP section 103.219.39 x
- v-for遍历元素样式失效
- 赞!idea 如何单窗口打开多个项目?
- Redis, do you understand the list
- Qt不同类之间建立信号槽,并传递参数
- [go record] start go language from scratch -- make an oscilloscope with go language (I) go language foundation
- 【愚公系列】2022年7月 Go教学课程 006-自动推导类型和输入输出
- 牛客基础语法必刷100题之基本类型
猜你喜欢
What has happened from server to cloud hosting?
Thinkphp内核工单系统源码商业开源版 多用户+多客服+短信+邮件通知
基于人脸识别实现课堂抬头率检测
"An excellent programmer is worth five ordinary programmers", and the gap lies in these seven key points
Jemter distributed
Redis, do you understand the list
应用实践 | 数仓体系效率全面提升!同程数科基于 Apache Doris 的数据仓库建设
v-for遍历元素样式失效
Jouer sonar
基于卷积神经网络的恶意软件检测方法
随机推荐
DNS 系列(一):为什么更新了 DNS 记录不生效?
Course of causality, taught by Jonas Peters, University of Copenhagen
C language 001: download, install, create the first C project and execute the first C language program of CodeBlocks
国外众测之密码找回漏洞
A brief history of information by James Gleick
QT establish signal slots between different classes and transfer parameters
德总理称乌不会获得“北约式”安全保障
LeetCode刷题
Service Mesh介绍,Istio概述
[note] common combined filter circuit
Prompt configure: error: required tool not found: libtool solution when configuring and installing crosstool ng tool
tourist的NTT模板
新库上线 | CnOpenData中华老字号企业名录
Introduction to paddle - using lenet to realize image classification method I in MNIST
基于卷积神经网络的恶意软件检测方法
韦东山第二期课程内容概要
基于人脸识别实现课堂抬头率检测
Thinkphp内核工单系统源码商业开源版 多用户+多客服+短信+邮件通知
接口测试进阶接口脚本使用—apipost(预/后执行脚本)
《因果性Causality》教程,哥本哈根大学Jonas Peters讲授