在机器学习中我们的目标是发现泛化Generalization模式即在未见过的数据上也能预测准确。然而模型往往会陷入两个极端要么学得太浅欠拟合要么记住了噪音过拟合。1. 核心概念训练误差 vs 泛化误差训练误差Training Error模型在训练数据集上的误差。泛化误差Generalization Error模型应用在同样分布的无穷多新数据上的误差期望。验证集Validation Set由于我们无法提前知道泛化误差通常预留一部分不参与训练的数据来模拟测试环境进行模型选择。2. 三种典型的模型状态① 欠拟合 (Underfitting)表现模型无法在训练集上获得足够低的误差。原因模型容量复杂度太低无法捕捉数据的基本模式。对策增加网络深度、增加神经元数量或减少正则化。② 过拟合 (Overfitting)表现训练误差远低于验证误差。原因模型容量太高它不仅学到了规律还死记硬背了训练集中的随机噪音。对策增加数据量、使用权重衰减L2 正则化、Dropout 或简化模型。③ 最佳状态 (Best Fit)表现训练误差和验证误差都很低且两者差距较小。3. 代码实战通过多项式回归观察拟合状态文件通过多项式函数拟合的例子生动展示了模型容量如何影响结果。准备多项式特征生成我们将真实标签设为三阶多项式然后尝试用不同阶数的模型去拟合它。Pythonimport math import torch from torch import nn from d2l import torch as d2l # 假设真实函数为 y 5 1.2x - 3.4x^2 / 2! 5.6x^3 / 3! noise max_degree 20 # 多项式的最大阶数 n_train, n_test 100, 100 # 训练和测试数据集大小 true_w torch.zeros(max_degree) # 分配大量的空间 true_w[0:4] torch.tensor([5, 1.2, -3.4, 5.6]) # 生成特征和标签 features torch.randn((n_train n_test, 1)) poly_features torch.pow(features, torch.arange(max_degree).reshape(1, -1)) for i in range(max_degree): poly_features[:, i] / math.gamma(i 1) labels torch.matmul(poly_features, true_w) labels torch.randn(labels.shape) * 0.1 # 加入噪音情况一正常拟合使用三阶多项式模型容量与真实数据匹配泛化性能最好。Python# 取前4个特征0~3阶进行训练 train(poly_features[:n_train, :4], poly_features[n_train:, :4], labels[:n_train], labels[n_test:])情况二欠拟合只用一阶多项式模型太简单无法描述高阶曲线。Python# 只取前2个特征0~1阶 train(poly_features[:n_train, :2], poly_features[n_train:, :2], labels[:n_train], labels[n_test:])情况三过拟合用十九阶多项式模型尝试穿过每一个噪点导致验证误差激增。Python# 使用所有特征0~19阶 train(poly_features[:n_train, :], poly_features[n_train:, :], labels[:n_train], labels[n_test:])4. 关键结论VC 维与数据量文件探讨了影响拟合程度的两个主要维度模型容量参数越多、隐藏层越深、非线性越强容量越大。数据量数据越多模型越难“背诵”所有样本泛化能力越强。5. 总结如何打磨一个完美的模型先跑通简单模型观察是否存在欠拟合。逐渐增加复杂度直到模型能够很好地拟合训练集。引入正则化技术如 Dropout 或 L2 惩罚拉近训练集与测试集的距离压制过拟合。 学习小结深度学习不仅是构建模型的艺术更是控制误差的艺术。掌握了过拟合与欠拟合的原理你就拥有了“对症下药”调试模型的能力。