Q1 过拟合与欠拟合的区别是什么，什么是正则化

欠拟合指的是模型不能够再训练集上获得足够低的“训练误差”，往往由于特征维度过少，导致拟合的函数无法满足训练集，导致误差较大。

过拟合指的是模型训练误差与测试误差之间差距过大；具体来说就是模型在训练集上训练过度，导致泛化能力过差。

“所有为了减少测试误差的策略统称为正则化方法”，不过代价可能是增大训练误差。

Q2 解决欠拟合的方法有哪些

降低欠拟合风险主要有以下3类方法。

1. 加入新的特征，对于深度学习来讲就可以利用因子分解机、子编码器等。

2. 增加模型复杂度，对于线性模型来说可以增加高次项，对于深度学习来讲可以增加网络层数、神经元个数。

3. 减小正则化项的系数，从而提高模型的学习能力。

Q3 防止过拟合的方法主要有哪些

“1.正则化”

正则化包含L₁正则化、L₂正则化、混合L₁与L₂正则化。

“L₁正则化”目的是减少参数的绝对值总和，定义为：

“L₂正则化”目的是减少参数平方的总和，定义为：

**混合L₁与L₂**正则化是希望能够调节L₁正则化与L₂正则化，定义为：

因为最优的参数值很大概率出现在“坐标轴”上，这样就会导致某一维的权重为0，产生“稀疏权重矩阵”。而L₂正则化的最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。

所以由于L₁正则化导致参数趋近于0，因此它常用于特征选择设置中。而机器学习中最常用的正则化方法是对权重施加“L₂范数约束”。

L₁正则化与L₂正则化还有个“重要区别”就是L₁正则化可通过假设权重w的先验分布为“拉普拉斯分布”，由最大后验概率估计导出。L₂正则化可通过假设权重w的先验分布为“高斯分布”，由最大后验概率估计导出。

“2.Batch Normalization”

Batch Normalization是一种深度学习中减少泛化误差的“正则化”方法，主要是通过缓解梯度下降加速网络的训练，防止过拟合，降低了参数初始化的要求。

由于训练数据与测试数据分布不同会降低模型的泛化能力。因此，应该在开始训练前对数据进行“归一化处理”。因为神经网络每层的参数不同，每一批数据的分布也会改变，从而导致每次迭代都会去拟合不同的数据分布，增大过拟合的风险。

Batch Normalization会针对每一批数据在输入前进行归一化处理，目的是为了使得输入数据均值为0，标准差为1。这样就能将数据限制在统一的分布下。

“3.Dropout”

Dropout是避免神经网络过拟合的技巧来实现的。Dropout并不会改变网络，他会对神经元做“随机”删减，从而使得网络复杂度“降低”，有效的防止过拟合。

具体表现为：每一次迭代都删除一部分隐层单元，直至训练结束。

运用Dropout相当于训练了非常多的仅有部分隐层单元的神经网络，每个网络都会给出一个结果，随着训练的进行，大部分网络都会给出正确的结果。

“4.迭代截断”

迭代截断主要是在迭代中记录准确值，当达到最佳准确率的时候就截断训练。

“5.交叉验证”

K-flod交叉验证是把训练样本分成k份，在验证时，依次选取每一份样本作为验证集，每次实验中，使用此过程在验证集合上取得最佳性能的迭代次数，并选择恰当的参数。

hi 认识一下？

❝

微信关注公众号：“全都是码农” (allmanong)
你将获得：
关于人工智能的所有面试问题“一网打尽”!未来还有“思维导图”哦！
回复“121” 立即获得 已整理好121本“python学习电子书”。
回复“89” 立即获得 “程序员”史诗级必读书单吐血整理“四个维度”系列89本书。
回复“167” 立即获得 “机器学习和python”学习之路史上整理“大数据技术书”从入门到进阶最全本（66本)
回复“18” 立即获得 “数据库”从入门到进阶必读18本技术书籍网盘整理电子书（珍藏版）
回复“56” 立即获得 我整理的56本“算法与数据结构”书
未来还有人工智能研究生课程笔记等等，我们一起进步呀！

❞