大白話解釋模型產生過擬合的原因！

今天郭江師兄在實驗室講解了全體機器學習會第一章的知識，大家討論了一下過擬合的知識，這裡我根據自己的理解，整理了一下原因，力求同最通俗的語言來描述，可能不是太嚴謹，但是總體思想能保證正確！

一、過擬合的概念？

首先我們來解釋一下過擬合的概念？

過擬合就是訓練出來的模型在訓練集上表現很好，但是在測試集上表現較差的一種現象！下圖給出例子：

我們將上圖第三個模型解釋為出現了過擬合現象，過度的擬合了訓練數據，而沒有考慮到泛化能力。在訓練集上的準確率和在開發集上的準確率畫在一個圖上如下：

從圖中我們能夠看出，模型在訓練集上表現很好，但是在交叉驗證集上表現先好後差。這也正是過擬合的特徵！

二、模型出現過擬合現象的原因

發生過擬合的主要原因可以有以下三點：

數據有雜訊

訓練數據不足，有限的訓練數據

訓練模型過度導致模型非常複雜

下面我將分別解釋這三種情況（這裡按自己的理解解釋，歡迎大家交流）：

（1）數據有雜訊

為什麼數據有雜訊，就可能導致模型出現過擬合現象呢？

所有的機器學習過程都是一個 search 假設空間的過程！我們是在模型參數空間搜索一組參數，使得我們的損失函數最小，也就是不斷的接近我們的真實假設模型，而真實模型只有知道了所有的數據分布，才能得到。

往往我們的模型是在訓練數據有限的情況下，找出使損失函數最小的最優模型，然後將該模型泛化於所有數據的其它部分。這是機器學習的本質！

那好，假設我們的總體數據如下圖所示：

（我這裡就假設總體數據分布滿足一個線性模型 y = kx+b, 現實中肯定不會這麼簡單，數據量也不會這麼少，至少也是多少億級別，但是不影響解釋。反正總體數據滿足模型 y）

此時我們得到的部分數據，還有雜訊的話，如圖所示：

（紅色數據點為雜訊）

那麼由上面訓練數據點訓練出來的模型肯定不是線性模型（總體數據分布下滿足的標準模型），比如訓練出來的模型如下：

那麼我拿著這個有雜訊訓練的模型，在訓練集合上通過不斷訓練，可以做到損失函數值為 0，但是拿著這個模型，到真實總體數據分布中（滿足線性模型）去泛化，效果會非常差，因為你拿著一個非線性模型去預測線性模型的真實分布，顯而易得效果是非常差的，也就產生了過擬合現象！

（2）訓練數據不足，有限的訓練數據

當我們訓練數據不足的時候，即使得到的訓練數據沒有雜訊，訓練出來的模型也可能產生過擬合現象，解釋如下：

假設我們的總體數據分布如下：

（為了容易理解，假設我們的總體數據分布滿足的模型是一個二次函數模型）

我們得到的訓練數據由於是有限的，比如是下面這個：

（我只得到了 A，B 兩個訓練數據）

那麼由這個訓練數據，我得到的模型是一個線性模型，通過訓練較多的次數，我可以得到在訓練數據使得損失函數為 0 的線性模型，拿這個模型我去泛化真實的總體分布數據（實際上是滿足二次函數模型），很顯然，泛化能力是非常差的，也就出現了過擬合現象！

（3）訓練模型過度導致模型非常複雜

訓練模型過度導致模型非常複雜，也會導致過擬合現象！這點和第一點倆點原因結合起來其實非常好理解，當我們在訓練數據訓練的時候，如果訓練過度，導致完全擬合了訓練數據的話，得到的模型不一定是可靠的。

比如說，在有雜訊的訓練數據中，我們要是訓練過度，會讓模型學習到雜訊的特徵，無疑是會造成在沒有雜訊的真實測試集上準確率下降！

好了，到這裡本文要講的內容已經講完了，我根據自己的理解，試圖通俗的講解產生過擬合的原因，希望能夠讓更多的人有一個直觀的理解~ 真心希望對大家有幫助，歡迎大家指錯交流~

註：本文原作者憶臻，原載於作者的知乎專欄。

研習社特供福利ID：OKweiwu

開發者專場 | 英偉達深度學習學院現場授課

英偉達 DLI 高級工程師現場指導，理論結合實踐，一舉入門深度學習！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！