网络模型的几种过拟合优化方法分析

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘 要：在深度学习和机器学习的各种模型训练过程中，在训练数据不够多时，自己常常会遇到的问题就是过拟合（overfitting），过拟合就是模型过度接近训练的数据，使得模型的泛化能力降低，泛化能力降低表现为模型在训练集上测试的误差很低，但是真正在验证集上测试时却发现误差很大。过拟合的模型不是我们想要的模型，本文先简单介绍过拟合的概念和产生的原因，并提出几种对模型进行优化的方法，从而提高其泛化性能，使其在测试时模型表现更好。（剩余3680字）

试读结束

目录
monitor