2回答

liuyubobobo

2018-03-07

已采纳

通常，我们只能看出我们的模型到底是欠拟合，还是过拟合。如果是在欠拟合的情况下，到底为什么欠拟合，这个背后的原因需要具体问题具体分析，不能一概而论，很难使用一个固定指标就看出来。学习机器学习算法，其实主要训练的就是这个具体情况具体分析的能力。

另外，在机器学习领域，很难讲模型选择的是正确还是错误。只有合适不合适。而且，合适不合适的界限也是模糊的。不过整体而言，在你的数据“没有问题”的情况下，欠拟合是相对好解决的。不管是什么模型，只要增加模型的复杂度，都一定会表现出“没有欠拟合，而开始过拟合“的“症状”。所以我在课程中说，解决“过拟合”才是机器学习的核心。至于如何解决过拟合，可以参考这里：https://coding.imooc.com/learn/questiondetail/39781.html

另外，一个需要考虑的非常重要的因素是：数据。很多时候，机器学习的结果不够好，可能你的模型选择也没有问题；你的超参数选择也没有问题；但是你的数据有问题。或者数据不够；或者数据不能涵盖所有情况；甚至数据和你要学习的内容根本不相关。在这些情况下，算法是无法补救的。

2

9

神经旷野舞者

回复

liuyubobobo

那应该是看具体问题要求的精度吧

2018-03-08

共9条回复

神经旷野舞者

提问者

2018-03-07

老师，课程里提到knn的k，和多项式回归的degree，它们从小变大，偏差方差都是此消彼长，我以为模型的偏差方差都是这么变化的。
提到的那些高偏差高方差的模型是怎么回事？
是不是模型选的也不对，然后数据也不好？

0

4

liuyubobobo

回复

神经旷野舞者

因为我们这个课程中用的例子，数据质量都很好。所谓随机生成的数据，只是在具有固定趋势的数据上加随机噪音而已。找一组学生的健康数据，然后预测他们的成绩，基本就是高偏差高方差。

2018-03-07

共4条回复