模型选择 + 过拟合和欠拟合 动手学深度学习v2 pytorch

1. 训练误差和泛化误差

• 训练误差：模型在训练数据上的误差（比如：模拟高考，可以有很多次）
• 泛化误差：模型在新数据上的误差（比如：真实高考，只有一次）
  

K-则交叉验证

2. 过拟合和欠拟合

模型容量：模型的复杂度
简单数据集：比如线性模型的数据，比如ax+b=y
复杂数据集举例：ImageNet

2.1 VC 维

• 统计学习理论的一个核心思想
• 对于一个分类模型，VC等于一个最大的数据集的大小，不管如何给定标号，都存在一个模型来对它进行完美分类。
  
  
  
  
  

3. 代码样例 过拟合 欠拟合

4. QA

1. SVM很难训练100万的数据量，SVM可以调的参数很少，特征的分类，提取是分开处理的；神经网络GPT 3 训练的参数都超过1750亿个。神经网络是个语言，可以做很灵活编程。
2. k则交叉验证，在神经网络上用的比较少，因为数据集都比较大。k则交叉验证应用于数据比较少的情况，k的选择原则，在于能接受的计算量的情况下。
3. 深度学习 打败 svm ，因为效果很好，比如图片识别的精度很高，但是深度学习可解释性不好。svm 打败 多层感知机，因为svm有理论证明，并且容易调参，并且可调参数很少，比较简单。
4. VC维衡量模型，简单来说是可以记住的数的维度，比如能备注π的100位小数，就是100VC维。
5. 科学、工程、艺术：神经网络有一部分是艺术，可解释性不强，靠猜测。

参考

https://www.bilibili.com/video/BV1kX4y1g7jp?p=1