误差问题
拟合神经网络函数过程中会出现两种误差：偏差(bias)和方差(variance)
偏差和误差的区别
欠拟合(underfitting)
当偏差(bias)过大时，如左图，拟合图像存在部分不符合值，称为欠拟合(underfitting)
过拟合(overfitting)
当方差(variance)过大时，如右图，拟合图像过于特殊，不够集中(即方差过大)，称为过拟合(overfitting)
误差和train/dev sets
以猫的识别为例：
当基本误差/最优误差很小时，且train/dev sets来自同一分布，则会有以下判断：
train set error较小，dev set error过大：high variance
train set error过大，dev set error过大(与train set error差不多)：high bias
train set error过大，dev set error过大(比train set error还大很多)：high bias & high variance
train set error较小，dev set error较小：low bias & low variance
假如基本误差不是很小，则要考虑error与基本误差之间的大小差距来进行恰当的判断
训练神经网络的基本方法
high bias
--> bigger network(更深的神经网络模型)
--> train longer(训练更长时间，让模型更加成熟)
high variance
-->more data(更大的数据量,更加具有普遍性)
-->regularization(正则化)文章来源：https://www.toymoban.com/news/detail-797125.html
文章来源地址https://www.toymoban.com/news/detail-797125.html
到了这里，关于深度学习记录--偏差/方差(bias/variance)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
