很多朋友对于什么是""过拟合和什么是过拟合 解决办法不太懂，今天就由小编来为大家分享，希望可以帮助到大家，下面一起来看看吧！

本文目录

1. 为什么神经网络越深越容易过拟合
2. 过拟合的概念
3. 什么是""过拟合
4. 聚类过拟合解决方法

为什么神经网络越深越容易过拟合

神经网络中层次越多，网络的表达能力越强。

对于一些复杂的场景，如机器翻译。如果只有一层全联接层肯定不能表达这个复杂场景，这个时候层次增多会对网络的性能有极大提升。

而对于一些简单的场景，如简单的二分类问题，几层全连接层往往以足以表达整个场景，这个时候盲目加入很多层进去，只会使得模型过拟合。

所以总结而言，神经网络的深度要视场景的复杂程度和数据的多少而定。

1.过拟合也分多种情况，1种是现在就这么多情况，这个神经网络已经能对这么多情况都给出正确答案了，那么就算过拟合了，你也是没办法证明的，另外即然能工作，能穷尽，也不存在坏处。

2.是不是过拟合，和我们的神经网络模型和训练集有关系，当二个的组合真的过拟合了，在训练集上过工作的很好，在验证集上就会出问题。现在有一些对训练集的数据进行各种预处理的方式后，多次输入，多次训练。

3.过拟合这个问题目前来看，无法避免，训练本身就是某种拟合的过程。如果将来在这个方面的数学原理或是使用上有质的突破，可能就会有机会解决。

过拟合的概念

过拟合，外文名Overfitting，是指为了得到一致假设而使假设变得过度严格。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。

概念：为了得到一致假设而使假设变得过度严格称为过拟合。定义：给定一个假设空间H，一个假设h属于H，如果存在其他的假设h’属于H，使得在训练样例上h的错误率比h’小，但在整个实例分布上h’比h的错误率小，那么就说假设h过度拟合训练数据。

判断方法：一个假设在训练数据上能够获得比其他假设更好的拟合，但是在训练数据外的数据集上却不能很好地拟合数据，此时认为这个假设出现了过拟合的现象。出现这种现象的主要原因是训练数据中存在噪音或者训练数据太少。

什么是""过拟合

对于一个监督学习模型来说，过小的特征集合使得模型过于简单，过大的特征集合使得模型过于复杂。对于特征集过小的情况，称之为欠拟合（underfitting）对于特征集过大的情况，称之为过拟合（overfitting）

聚类过拟合解决方法

机器学习中首先解决过拟合的方法是增加数据量，第二个方法是添加正则化项，对系数做惩罚，在神经网络中可以使用Dropout

END，本文到此结束，如果可以帮助到大家，还望关注本站哦！