标签：
四、 How Can Machines Learn Better?
我个人感觉第四讲是整个基石课程的精髓所在，很多东西说的很深也很好。
首先是overfitting的问题，过拟合是一个常发生的情况，简单的理解就是下图，low Ein不一定是好事，因为我们的目的是low Eout。所以不能过拟合你的训练集是每个machine learning工程师需要注意的事情。
overfitting简单的理解就是：学习的人太厉害，而需要学习的知识太简单，如上图，你用一个5次的函数去学习这样一个数据集，实在是大材小用了。
当然影响overfitting的还有其他因素，总的来说要避免overfitting我们需要做到：1、很少的噪声数据 2、适合的dvc 3、足够多的数据。
下图是一个悲伤的故事，我们知道十次函数的学习能力肯定远远的超过二次函数，但似乎在这两种情况下，它的表现都很令人捉鸡...
Why?如果你还记得之前的学习曲线和公示的话大概就会清楚了，如下图所示，需要注意的是，这一切都建立在N比较小的时候。
需要注意的是，我们通常可能认为g10不如g2的时候，是因为它对噪声的影响太过敏感了，而事实上在完全没有噪声的数据上，他也是完败的，这里引出来的问题是，真的没有“噪声”么？或许目标的复杂度一定程度上也可以看做噪声？
In fact，我们可以把噪声分为两类，stichastic noise，真实世界产生的噪声数据,deterministic noise，由模型的复杂度引起的噪声数据，后者简单的理解就是，我用10次多项式去拟合一个由50次多项式产生的数据，肯定有很多地方我是做不到拟合的，那么那些数据从某种意义上来说，就是噪声。
下图蓝色表示好，红色表示很差。左图很好理解，右图在左下角需要解释一下。因为目标函数是一个十次函数产生的数据，所以在模型的复杂度从10往下走的时候，表现的会越来差。因为当你用10次多项式的函数去拟合小于10次的目标函数的时候，表现的当然回事overftting
标签：
原文地址：http://www.cnblogs.com/daihengchen/p/5899903.html
