过拟合&欠拟合全面总结！！

Python编程爱好者

发布于 2024-05-13 15:35:01

2160

发布于 2024-05-13 15:35:01

文章被收录于专栏：Python编程爱好者Python编程爱好者

核心点：过拟合&欠拟合，如何防止！

哈喽，我是Johngo~

在机器学习中，有一项很重要的概念，那就是：过拟合（Overfitting）和欠拟合（Underfitting）。

很长一段时间，和不少同学私信聊到过拟合和欠拟合的问题。尤其是对于初学者来说，这个有时候感觉很难把握。

过拟合和欠拟合，涉及到机器学习中常见的两种模型性能问题，分别表示模型在训练数据上表现得过于复杂或过于简单。

下面咱们先来简单聊聊关于过拟合和欠拟合的特征，以及防止性能问题的方法。

ok，咱们一起来学习一下~

过拟合（Overfitting）

基本概念

简单来说，过拟合就是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。

特征

这里总结过拟合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。

防止过拟合有效方法

防止过拟合的方法很多，要根据不同的情况进行不同的操作，以下总结了11种方法。

相比于之前文中的5种方式，多增加了5种，都可以作为大家使用的方式~

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。

大家在实验中，这些方法的应用和结合，可以在一定程度上避免过拟合，从而提高模型对新数据的泛化和预测能力。

欠拟合（Underfitting）

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。

特征

这里也是总结了4点，大家可以大概看下：

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。

防止欠拟合的方法

同样是11种最常用的方法~

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。

在实验中，大家可以用起来~

案例 - 过拟合

下面，咱们通过一个具体的案例来说明过拟合现象及其解决方法。使用多项式特征和线性回归模型来演示过拟合，并展示如何通过增加正则化来减轻过拟合。

实验设置

任务：基于单一特征x，预测目标变量y。
数据集：生成一个简单的数据集，包含噪声。
模型：使用线性回归模型，先不带正则化（容易过拟合），后添加L2正则化（岭回归）对比效果。

实验说明

生成数据集。
使用高阶多项式特征对数据进行转换，使模型更复杂，易于出现过拟合。
训练两个模型：一个是普通的线性回归模型，另一个是加入L2正则化的线性回归模型（岭回归）。
可视化并比较模型在训练集上的拟合情况以及在测试集上的表现。

完整代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression, Ridge
from sklearn.metrics import mean_squared_error

# 生成数据集
np.random.seed(0)
x = np.linspace(-3, 3, 100)
y = x**2 + np.random.randn(100) * 2 + 3
X = x[:, np.newaxis] # 转换为二维数组，用于模型训练

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建多项式特征
poly = PolynomialFeatures(degree=10, include_bias=False)
X_poly_train = poly.fit_transform(X_train)
X_poly_test = poly.transform(X_test)

# 模型训练：线性回归
model_lr = LinearRegression()
model_lr.fit(X_poly_train, y_train)

# 模型训练：岭回归
model_ridge = Ridge(alpha=100)
model_ridge.fit(X_poly_train, y_train)

# 预测和评估
x_range = np.linspace(X.min(), X.max(), 100).reshape(-1, 1)
x_range_poly = poly.transform(x_range)

y_pred_lr = model_lr.predict(x_range_poly)
y_pred_ridge = model_ridge.predict(x_range_poly)

print("Linear Regression MSE:", mean_squared_error(y_test, model_lr.predict(X_poly_test)))
print("Ridge Regression MSE:", mean_squared_error(y_test, model_ridge.predict(X_poly_test)))

# 绘制图形
plt.scatter(X_train, y_train, color='gray', marker='o', label='Training data')
plt.scatter(X_test, y_test, color='gold', marker='x', label='Test data')
plt.plot(x_range, y_pred_lr, label='Linear Regression', color='red', linewidth=2)
plt.plot(x_range, y_pred_ridge, label='Ridge Regression', color='blue', linewidth=2)
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.title('Overfitting Example and Solution')
plt.grid(True)
plt.show()

过拟合的情况

很显然，大家可以看到。在未添加正则化的线性回归模型中（红色曲线），会看到模型尝试非常精确地通过每个训练数据点，导致在测试集上的表现（黄色点）较差，这就是典型的过拟合现象。

解决过拟合后的情况

引入L2正则化的岭回归模型（蓝色曲线）能够有效降低模型复杂度，虽然它不再尝试穿过所有训练数据点，但在测试集上的MSE（均方误差）有显著降低，显示出了更好的泛化能力。

案例 - 欠拟合

这里，咱们再通过一个案例说明欠拟合的情况~

实验设置

任务：基于单一特征x，预测目标变量y。
数据集：生成一个具有非线性关系的数据集。
模型：首先使用简单的线性回归模型（可能导致欠拟合），然后使用多项式回归来改善欠拟合。

实验说明

生成具有非线性关系的数据集。
使用线性回归模型训练，观察其在复杂数据上的表现。
通过引入多项式特征并再次使用线性回归，提高模型复杂度，以解决欠拟合问题。
可视化比较两种情况下模型的表现。

完整代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 生成数据集
np.random.seed(42)
x = np.random.rand(100) * 10 - 5  # 生成-5到5之间的随机数
y = x**3 + np.random.randn(100) * 20 + 10  # 非线性关系加上噪声
X = x.reshape(-1, 1)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 线性回归模型（可能导致欠拟合）
model_linear = LinearRegression()
model_linear.fit(X_train, y_train)

# 多项式回归（解决欠拟合）
poly_features = PolynomialFeatures(degree=3)  # 选择三阶多项式特征
X_poly_train = poly_features.fit_transform(X_train)
X_poly_test = poly_features.transform(X_test)

model_poly = LinearRegression()
model_poly.fit(X_poly_train, y_train)

# 预测与评估
x_range = np.linspace(X.min(), X.max(), 100).reshape(-1, 1)
y_pred_linear = model_linear.predict(x_range)
y_pred_poly = model_poly.predict(poly_features.transform(x_range))

print("Linear Regression MSE:", mean_squared_error(y_test, model_linear.predict(X_test)))
print("Polynomial Regression MSE:", mean_squared_error(y_test, model_poly.predict(X_poly_test)))

# 绘制结果
plt.scatter(X_train, y_train, color='gray', marker='o', label='Training data')
plt.scatter(X_test, y_test, color='gold', marker='x', label='Test data')
plt.plot(x_range, y_pred_linear, label='Linear Regression', color='red', linewidth=2)
plt.plot(x_range, y_pred_poly, label='Polynomial Regression', color='blue', linewidth=2)
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.title('Underfitting Example and Solution')
plt.grid(True)
plt.show()