一、欠/过拟合问题（Under fitting/Overfitting Problem） 欠拟合 拟合偏差非常大，用于预测时误差也会非常大。 过拟合 方差非常大，即拟合曲线与训练数据拟合得非常好以至于曲线非常复杂，导致缺乏足够的数据来约束，不能很好地泛化到新的样本数据中。 解决拟合问题 减少特征的数量
发表时间：2018 文章要点：文章想说RL很容易overfitting，然后就提出某个方式来判断是不是overfitting了。最后得出结论，通过多样化的训练可以减少overfitting（as soon as there is enough training data diversity）。作者其实就定义了一个指标 其实就是train时候的reward减去test时候的r
简单理个大纲，具体的以后慢慢补充： 1. 数据方面： Data Augumentation 补充数据 2. 网络结构： 简化网络 Dropout 3. Plus： 加正则项 https://blog.csdn.net/jingbo18/article/details/80609006
1.过拟合 然能完美的拟合模型，但是拟合出来的模型会含有大量的参数，将会是一个含有大量参数的非常庞大的模型，因此不利于实现 1.1解决过拟合的方法 1.1.1 特征选择，通过选取特征变量来减少模型参数等 1.1.2 正则化 欠拟合 对于模型拟合的不太到位，导致误差很大。
之前在《过拟合和欠拟合（Over fitting & Under fitting）》一文中简要地介绍了过拟合现象，现在来详细地分析一下过拟合产生的原因以及相应的解决办法。 过拟合产生的原因： 第一个原因就是用于训练的数据量太少。这个很好理解，因为理想的训练数据是从所有数据中抽取的无偏差抽样。如果
第13节课 Hazard of Overfitting 本节课主要介绍了overfitting的概念，即当Ein很小，Eout很大的时候，会出现overfitting。详细介绍了overfitting发生的四个常见原因data size N、stochastic noise、deterministic noise和excessive power。解决overfitting的方法有很多，本节课主要介
1， model_l1 = tf.estimator.LinearClassifier( feature_columns=base_columns + crossed_columns, optimizer=tf.train.FtrlOptimizer( learning_rate=0.1, l1_regularization_strength=10.0, l2_regularization_strength=0.0)) model_l1.train(t
