本文由同步，最新版本请查看原文：

这节课介绍防止模型过拟合的各种方法，给出了正则化项、惩罚因子的贝叶斯解读；并展示了基于贝叶斯解读的一种实践有效的惩罚因子调参方法。复习：过拟合训练数据中不光有正确的规律，而且还有偶然的规律（采样误差，只取决于训练实例的选择）。拟合模型的时候，无法知道规律是真实的还是偶然的。如果模型复杂度高，它有可能学到了采样误差，但泛化得很差。防止过拟合更多数据这是最好的方法，只要你的计算力足够使用复杂度恰到好处的模型既能拟合真实的规律，又不至于学到偶然的规律综合不同的模型可以用不同形式的模型，也可以用同一种模型在不同数据...

继续阅读： »

原文链接：

感谢阅读本文，欢迎 或访问获取更多内容