在机器学习中，相对于欠拟合，过拟合出现的频次更高。这是因为，假设某一数据集其对应的模型为‘真’模型，我们通常是采用提高模型的复杂度的方法，来避免欠拟合现象的产生，但与此同时，我们又很难把网络设计成和‘真’模型一样，所以最终网络模型会因为复杂度太高而产生过拟合。今天小编就给大家整理了过拟合产生的原因及一些相应的解决方法，希望对大家机器学习中解决过拟合问题有所帮助。

一、什么是过拟合

过拟合定义：给定一个假设空间H，一个假设h属于H，如果存在其他的假设h’属于H,使得在训练样例上h的错误率比h’小，但在整个实例分布上h’比h的错误率小，那么就说假设h过度拟合训练数据。

过拟合(overfiting / high variance)表现为：模型在训练集上表现很好，但是在测试集上表现较差。也就是说模型的泛化能力弱。

简单理解过拟合，就是模型对训练数据的信息提取过多，不仅学习到了数据背后的规律，连数据噪声都当做规律学习了。

对比欠拟合理解起来会更容易：

二、过拟合产生原因

三、过拟合处理办法

1、重新清洗数据，过拟合出现也有可能是数据不纯，这种情况下我们需要重新清洗数据。

2、数据增强，也就是获取和使用更多的数据集。给与模型足够多的数据集，让它在尽可能多的数据上进行“观察”和拟合，从而进行不断修正。但是需要注意的是，我们是不可能收集无限多的数据集的，所以通常的方法，就是对已有的数据进行，添加大量的“噪音”，或者对图像进行锐化、对旋转、明暗度进行调整等。

3、采用正则化方法。加入正则化项就是在原来目标函数的基础上加入了约束。常用的正则化项有L1.L2.当目标函数的等高线和L1.L2正则化损失函数第一次相交时，得到最优解。

L1正则化项约束后的解空间为多边形，这些多边形的角和目标函数的接触机会远大于其他部分。就会造成最优值出现在坐标轴上，因此就会导致某一维的权重为0 ，产生稀疏权重矩阵，进而防止过拟合。

L2正则化项约束后的解空间为圆形，图像上的棱角圆滑了很多。一般最优值不会在坐标轴上出现。在最小化正则项时，参数不断趋向于0.最后得到的就是很小的参数。

4、采用dropout方法。

运用了dropout方法，就相当于训练了非常多的，仅仅只有部分隐层单元的神经网络，每一个这种半数网络，都能够给出一个分类结果，这些结果中，有正确的，也有错误的。随着训练的进行，大多数半数网络都能给出正确的分类结果。这样一来，那些少数的错误分类结果对于最终结果就不会哦造成大的影响。而且dropout通过减少神经元之间复杂的共适应关系，从而也提高了模型的泛化能力。

5、提前结束训练

也就是early stopping，在模型迭代训练时，对训练精度(损失)和验证精度(损失)进行记录，如果模型训练的效果不能够再提高，例如训练误差一直降低，但是验证误差却不再降低甚至上升的情况，我们可以采用结束模型训练的方法。

6、集成学习

集成学习算法也可以有效的减轻过拟合。Bagging通过平均多个模型的结果，来降低模型的方差。Boosting不仅能够减小偏差，还能减小方差。