机器学习中过拟合和欠拟合问题处理方法总结

一、背景

在机器学习模型训练过程中，我们需要评估模型是否达到我们的预期要求，通过评估模型是否过分训练或者模型训练不充分，以及评估模型是否适用当前的数据场景等情形时，可以通过评估模型是否过拟合、欠拟合，以此来进一步选取或优化模型。因此我们需要能够识别模型训练是否过拟合、欠拟合，以及针对识别到的问题，有应对之策。基于此总结欠拟合、过拟合问题识别及应对方法如下。

二、过拟合(Overfitting)

2.1 基本概念

过拟合：模型在训练集上学习得太好，以至于学到了训练数据中的噪声和细节，导致模型泛化能力差，即模型在新的、未见过的数据上表现不佳。

通常发生在模型复杂度较高时，此时模型可能会尝试去捕捉训练数据中的每个小的特征，包括那些不具代表性的特征，而这些特征可能仅仅是由于随机噪声而存在。

2.2 过拟合4个最主要的特征

训练集表现良好：模型在训练数据上的准确率非常高，几乎完美。
测试集表现差：相比之下，模型在测试集或验证集上的表现要差得多。
泛化能力弱：模型对于新的数据缺乏适应性，泛化能力差。
学习曲线表现：在学习曲线上，训练误差持续降低，而验证误差降低到一定程度后开始增加。

2.3 防止过拟合的11个有效方法

数据增强：通过对训练数据进行变换，比如旋转、缩放、翻转等，可以增加数据的多样性，帮助模型学习到更一般的特征。
减少模型复杂度：选择更简单的模型或减少模型中的参数数量（例如，减少神经网络中的层数或每层的节点数）可以降低过拟合的风险。
正则化(Regularization)：添加正则项（如L1或L2正则化）到损失函数中可以惩罚模型的复杂度，限制模型权重的大小，从而减少过拟合。
提前停止(Early Stopping)：在训练过程中，一旦验证误差开始增加，即停止进一步训练，可以防止模型过度拟合训练数据。
交叉验证(Cross-Validation)：使用交叉验证可以更好地估计模型在未见数据上的表现，并选择表现最好的模型参数。
Dropout：在训练神经网络时，随机丢弃（即暂时移除）网络中的一些节点，可以防止网络中的节点同时共同适应训练数据。
集成学习(Ensemble Methods)：结合多个模型的预测，如随机森林或梯度提升机，通常可以减少过拟合并提高模型的泛化能力。
限制参数的搜索空间：在进行模型选择和超参数调优时，限制参数的搜索空间可以避免选择过于复杂的模型。
数据集分割：合理分割数据集为训练集、验证集和测试集，确保模型不是简单地记住了特定数据集的特征。
噪声注入：在训练数据中添加噪声可以减少模型对训练样本的依赖，并增加其泛化能力。
特征选择：减少输入特征的数量，舍弃那些不相关或冗余的特征，可以简化模型并减少过拟合的风险。

三、欠拟合（Underfitting）

3.1 基本概念

欠拟合：指的就是在训练数据上没有获得足够的学习，以至于无法捕捉到数据的基本结构，既不能在训练集上表现良好，也不能在新的数据上做出准确的预测。

欠拟合通常是因为模型过于简单，没有足够的参数来学习数据的复杂性。

3.2 欠拟合的4个特征

训练集表现不佳：模型在训练数据上的准确率低，无法得到一个好的拟合。
测试集表现同样不佳：模型在测试集上的表现也很差，因为它连训练数据都没有学习好。
泛化能力差：因为模型对训练数据的学习不足，所以对新数据的泛化能力也很差。
学习曲线表现：在学习曲线上，训练误差和验证误差都很高，且两者可能相差不大。

3.3 防止欠拟合的11个有效方法

增加模型复杂度：选择更复杂的模型或增加模型中的参数数量（例如增加神经网络中的层数或每层的节点数）以便捕捉数据中更复杂的模式。
特征工程(Feature Engineering)：通过创建更多的特征，例如通过组合、转换或多项式扩展现有特征，可以帮助模型学习到数据中的更多有用信息。
减少正则化：如果模型过于简单，可能需要减少正则化项的权重或完全去掉正则化，以允许模型的复杂度增加。
更长的训练时间：有时模型仅仅是因为没有训练足够久，因此增加训练迭代次数或者训练时间有助于模型更好地学习数据。
减少数据预处理：如果数据预处理过程过于简化，可能会丢失重要信息。确保数据处理不会导致有价值信息的丢失。
调整超参数：通过调整学习算法的超参数（如学习率、树的深度等），可以帮助模型更好地学习数据。
更多的数据：如果可用，使用更多的训练数据可以帮助模型更好地泛化到新数据上。
集成不同模型：有时将不同的模型组合起来，比如使用模型融合或堆叠(stacking)，可以帮助提升整体的模型性能。
使用非线性模型：如果数据本身具有非线性关系而使用了线性模型，换用非线性模型可能会带来更好的拟合。
获取更多特征信息：在可能的情况下，收集更多相关特征，增加模型的输入信息。
模型选择：有时需要重新考虑所选模型的适用性，尝试不同的模型以找到更好的匹配。