前言

在学习机器学习的过程中，训练模型时常遇到的问题就是模型的过拟合和欠拟合，下文我将解释过拟合和欠拟合的概念，并且学习应对过拟合以及神经网络中的超参数如何选择的方法。

过拟合和与欠拟合

过拟合：是指学习时选择的模型包含的参数过多，以至于出现这一模型对已知的数据预测的很好，但对未知的数据预测的很差的情况。这种情况下的模型可能知识记住的训练数据，而不是学习到了数据特质。

欠拟合：模型描述能力太弱，以至于不能更好的学习数据中的规律，产生欠拟合的原因常常是模型过于简单。

学习过程中的过拟合

• 机器学习的根本问题是优化的泛化的问题
• 优化：是指调节模型以在训练数据上得到最佳性能
• 泛化：是指训练好的模型在前所未见的数据上的性能好坏

训练初期：优化和泛化是相关的，训练集上的误差越小，验证集上的误差也越小，模型的泛化能力逐渐增强。

训练后期：模型在验证集上的错误率不再降低，转而变高，模型出现过拟合，开始学习仅和训练集有关的模式。

如何应对过拟合

最优方案：获取更多的训练数据
如果模型能够记住世界上所有的数据，那么就不用担心过拟合的问题。

次优方案：调节模型允许储存的信息量或者 对模型允许储存的信息加以约束，这类方法也称为正则化

• 调节模型大小
• 约束模型权重，即权重正则化（常见的有L1、L2正则化）
• 随机失活

L2正则损失对于大数值的权重向量进行严厉惩罚，鼓励更加分散的权重向量，使模型倾向于使用所有输入特征做决策，此时的模型泛化性能好。

随即失活

• 随即失活：让隐层的神经元以一定的概率不被激活
• 实现方式：训练过程中，对某一层使用随机失活，就是随机将该层的一些输出舍弃（输出变为0），这些被舍弃的神经元就好像被网络删除了一样。
• 随机失活比率：是被设为0的特征所占的比例通常在0.2-0.5的比例中。

随机失活为什么能够防止过拟合？

• 解释1：随机失活是的每次更新梯度时参与计算的网络参数减少了 ，降低了模型容量，所以能够防止过拟合。
• 解释2：随机失活鼓励权重分散，从这个角度来看随机失活也能起到正则化的作用，进而防止过拟合。
• 解释3：Dropout可以看作模型集成

神经网络中的超参数

• 网格结构–隐层神经元个数，网格层数，非线性单元等。
• 优化相关–学习率、dropout比率、正则项强度等。

超参数的重要性：如果学习率设置过大，训练过程中损失函数就无法收敛，如果学习率偏大，损失函数会在最小值附件震荡，达不到最优，学习率太小，收敛时间较长，学习率适中，收敛快、结果好。所以超参数在训练过程中的设置是非常重要的，一个好的超参数也会决定模型的好坏。

超参数优化方法

网格搜索法：

• 1、每个超参数分别取几个值，组合这些超参数值，形成多组超参数
• 2、在验证集上评估每组超参数的模型性能
• 3、选择性能最优的模型所采用的那组值作为最终的 超参数的值。

随机搜索法：

• 1、参数空间内随机取点，每个点对于一组超参数
• 2、在验证集上评估每组超参数的模型性能
• 3、选择性能最优的模型所采用的那组值作为最终的超参数的值。

超参数搜索策略

• 粗搜索：利用随机法在较大范围里采样超参数，训练一个周期，依据验证集正确率缩小超参数范围。
• 精搜索：利用随机法在前述缩小的 范围内采样超参数，允许模型五到十个周期，选择验证集上精度最高的那组超参数。

建议：对于学习率、正则项强度这类超参数，在对数空间上进行随机采样更合适。