這里介紹幾個機器學習中經常可以聽到的幾個名詞，它們就是泛化能力，欠擬合，過擬合，不收斂和奧卡姆剃刀原則。

1. 泛化能力

泛化能力是指機器學習算法對新鮮樣本的適應能力，簡而言之是在原有的數據集上添加新的數據集，通過訓練輸出一個合理的結果。

學習的目的是學到隱含在數據背后的規律，對具有同一規律的學習集以外的數據，經過訓練的網絡也能給出合適的輸出，該能力稱為泛化能力。

用比較直白的話來講，就是通過數據訓練學習的模型，然后利用新的一組數據來測試，這個模型到底行不行，如果達到了一定的要求和標準，它就是行，說明泛化能力好，如果表現很差，說明泛化能力就差。

2. 欠擬合

欠擬合，是指模型擬合程度不高，數據距離擬合曲線較遠，或指模型沒有很好地捕捉到數據特征，不能夠很好地擬合數據。即，在訓練數據集上表現差，在測試集數據也表現差。

3. 過擬合

過擬合，是指模型在訓練集上表現很好，在測試集上效果差。

4. 不收斂

不收斂，指誤差函數一直在振蕩，不能趨近一個定值，沒有找到局部或者全局最小值。

5. 奧卡姆剃刀原則

應用于模型選擇時的想法為：在所有可選擇的模型中，能夠很好的解釋已知數據并且十分簡單才是最好的模型，也就是應該選擇的模型。

總結

以上是生活随笔為你收集整理的【机器学习基础】泛化能力、过拟合、欠拟合、不收敛、奥卡姆剃刀原则的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。