索引 / 标签
#正则化
共 4 篇
- Ch05 评估与特征工程
偏差与方差 (Bias-Variance Tradeoff)
概述 偏差-方差权衡（Bias-Variance Tradeoff）是机器学习中最核心的理论困境之一。它描述了模型在拟合训练数据时面临的两种对立误差来源：偏差（Bias）衡量模型预测值与真实值
约 3 分钟1,058 字 - Ch05 评估与特征工程
数据增强 (Data Augmentation)
概述 数据增强（Data Augmentation）是一种通过人工方式扩充训练数据的技术，通过对原始数据施加各种保持语义的变换（Transformations），生成新的、多样化的训练样本。它
约 6 分钟2,070 字 - Ch05 评估与特征工程
正则化 (Regularization)
正则化是机器学习中用于防止模型过拟合的一类技术统称。其核心思想是在模型训练过程中引入额外的约束或惩罚，迫使模型在拟合训练数据与保持简洁之间取得平衡。正则化遵循奥卡姆剃刀原则 (Occam's Razor)：在拟合能力相当的情况下，更简单的模型具有更好的泛化性能。 数学框架 正则化
约 5 分钟1,569 字 - Ch05 评估与特征工程
过拟合与欠拟合 (Overfitting & Underfitting)
过拟合 = 死记硬背训练数据,泛化能力差; 欠拟合 = 连训练数据都没学好,模型能力不足。两者都是模型学习失败的表现,需要不同的策略应对。
约 4 分钟1,349 字