版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/taczeng/article/details/79182712
问题1：什么是过拟合？
机器学习希望尽可能减少误差，所以就导致了学到的函数不是我们需要的结果，就是过拟合。
如下图，红线是机器学习学到的函数，它希望误差尽可能小，所以几乎经过了每一个点，而蓝线才是我们最终希望的结果！
如果用红线做预测，结果肯定是不准确的，最终会导致过拟合现象。
不能很好地表达除了训练数据以外的数据！
问题2：如何解决过拟合？
方法1——增加数据量
如果增加了足够多的数据量，那么红线就会慢慢被拉直。
方法2——运用正规化
下图cost代表原始误差，如果w变大，那么误差也会变大，相当于给了1个惩罚。
下图通过调整机器学习对于某些神经元的依赖，来调整w的值，进行相应的惩罚。
