机器学习/深度学习——模型的欠拟合和过拟合，正则化方法 详解
搭配以下文章进行学习：
卷积神经网络：
深度学习——卷积神经网络（convolutional neural network）CNN详解（一）——概述. 步骤清晰0基础可看
深度学习——卷积神经网络（convolutional neural network）CNN详解（二）——前向传播与反向传播过程（特征提取+预测+反向传播更新参数）. 步骤清晰0基础可看
简单的神经网络详解：
深度学习——神经网络（neural network）详解（一）. 带手算步骤，步骤清晰0基础可看
深度学习——神经网络（neural network）详解（二）. 带手算步骤，步骤清晰0基础可看
梯度下降法：
机器学习/深度学习——梯度下降法（Gradient descent）详解. 步骤清晰 0基础可看
1.数据集划分
（1）训练集（Training Set）：
用途：用于模型的训练过程，即学习数据特征和进行参数调优。
比例：通常是数据集中的最大部分，常见的比例为60%-70%。
（2）验证集（Validation Set）：
用途：用于模型的调整和选择，比如选择模型的超参数、正则化系数等。验证集帮助我们评估模型在训练集之外的数据上的表现，以避免过拟合。
比例：在没有单独测试集的情况下，验证集可以稍大一些，常见的比例为20%-30%。如果存在单独的测试集，验证集可以较小，比如10%-20%。
（3）测试集（Test Set）：
用途：用于最终评估模型的性能。测试集应该在整个模型选择和训练过程结束后只使用一次，以确保评估结果的公正性。
比例：测试集应足够大，以提供可靠的性能估计，常见的比例为10%-20%。
（4）交叉验证集（Cross-Validation Set，可选）：
用途：在数据量有限的情况下，可以使用交叉验证来更有效地利用数据。交叉验证通过将训练集分割成多个小的子集，每个子集轮流作为验证集，而剩余的数据作为训练集，这样可以减少过拟合的风险并提高模型评估的可靠性。
方法：常见的交叉验证方法有K折交叉验证（K-fold cross-validation），其中K通常取值5或10。
（5）数据集划分的一般比例：
一个常见的划分比例是：训练集70%，验证集20%，测试集10%，即7：2：1。如果数据量很大，可能使用60%的训练集，20%的验证集和20%的测试集，6：2：2。
详细知识点请见：深度学习——卷积神经网络（convolutional neural network）CNN详解（一）——概述. 步骤清晰0基础可看
2.欠拟合（Underfitting）
（1）定义：当一个模型在训练数据上都不能获得满意的性能，即模型太简单，没有学习到数据中的潜在结构和模式。
（2）原因：模型过于简单，参数太少；特征选择不当，重要特征缺失；训练时间过短，模型没有收敛到理想状态。
表现：训练误差和测试误差都较大。
（3）解决方法：增加模型复杂度、添加更多的特征、减少正则化强度、使用更复杂的模型或算法、增加训练数据、延长训练时间等。
如图所示：训练集和验证集的误差都很高，并且随着样本数量的增加，误差并没有显著下降，这通常表明模型是欠拟合的。
3.过拟合（Overfitting）
定义：当一个模型在训练数据上表现得非常好，但是在未见过的新数据上表现差，即模型对训练数据中的噪声和细节学习得太多，失去了泛化能力。
原因：模型过于复杂，拥有过多的参数；训练数据不足够或质量不高；训练时间过长，导致模型学习到数据中的随机误差。
表现：训练误差很小，但验证误差或测试误差较大。
解决方法：获取更多的数据、减少模型复杂度、使用正则化方法（如L1、L2正则化）、应用Dropout（在深度学习中）、使用数据增强、调整模型训练的迭代次数等。
如图所示：在训练集数目较小的时候，非常容易出现过拟合情况，所以我们可以看到曲线的开始部分，验证集误差很高，可是训练集误差却很小，这是典型的过拟合现象，表明在训练集上出现的超低误差是因为模型过度学习训练集造成的。但是随着训练集样本的增多，过拟合情况缓解，验证集的误差逐步降低，训练集的误差逐步升高。
4.正则化是什么？
正则化是在模型的损失函数中添加一个额外的项，这个项通常与模型参数的某种度量（如参数的大小或复杂度）成比例。通过这种方式，正则化有助于简化模型，避免模型过于复杂而学习到数据中的噪声。
常见类型：
(1) L1 正则化（Lasso 正则化）
向损失函数添加参数的绝对值之和，促使模型学习到的权重尽可能稀疏（即有更多的参数变为零），这有助于特征选择。
(2) L2 正则化（Ridge 正则化）
向损失函数添加参数的平方和，促使模型学习到的权重尽可能小，这有助于模型平滑。
(3)弹性网（Elastic Net）正则化
结合了L1和L2正则化，同时考虑参数的绝对值和平方。
