首页 > 试题广场 >

深度学习中，以下哪些方法可以降低模型过拟合？（）

[不定项选择题]

增大模型复杂度，提高在训练集上的效果

查看正确选项

理想汽车部门直推官

放置模型过拟合：

1.引入正则化（参数范数惩罚）

2.Dropout

3.提前终止训练

4.增加样本量

5.参数绑定与参数共享

6.辅助分类节点(auxiliary classifiers)

7.Batch Normalization

发表于 2020-08-14 11:05:49 回复(0)

岳麓不见鹿

正则化（regularization）会给给代价函数增加一个惩罚项，使得系数不会达到很大的值。

发表于 2020-05-21 15:19:53 回复(0)

Yuerya

这道题我刚开始没有选择D，增加参数惩罚的选项，因为我将这个选项理解成了增大惩罚参数。。。。

首先，对于题目选项所说的增加“参数惩罚”，我觉得是个广义上的解释，比如说增加正则项或利用先验分布对参数加以控制。在这种情况下，确实是防止过拟合的方案。具体来说，在逻辑回归中，假设正则项参数为alpha，那么alpha越大，模型越容易学习不足，极端情况下会欠拟合。

而我理解成的增大惩罚参数，是SVM中的惩罚参数C。软间隔SVM相当于最小化拥有正则化项的合页分布的损失，在此时这个惩罚参数C相当于1/2*alpha，C越大，alpha越小，模型越过拟合。

学好语文很重要啊。。。

发表于 2021-04-10 14:52:11 回复(1)

浩南201903111043864

增加参数惩罚不是更过拟合吗？相当于更贴合训练集啊

发表于 2019-09-05 20:50:22 回复(3)

提交观点

问题信息

C++工程师 iOS工程师安卓工程师运维工程师小米集团前端工程师算法工程师测试工程师深度学习 PHP工程师 2019 Java工程师

来自：小米2019秋招算法笔...

上传者：小小

难度：

4条回答 165收藏 7679浏览

扫一扫，把题目装进口袋