今天好热啊，30多°，也不知道这是什么神仙天气哈哈哈
我们来看看什么叫模型的复杂度
image.png
由上面三个模型，你会选择哪个呢，我会选择第二个，为什么呢？
在训练的时候，虽然c模型效果最好，但是太过于复杂，就只是对当前的数据进行过分采样，不考虑区域范围，这样子在预测数据上效果不会很好，a模型太过于简单，也会出现区域差别问题。
那么如何判断一个模型好不好，选择哪一个模型呢？
接下来引入一个概念叫泛化能力
比如模型复杂度很高，训练数据有100%的效果，而预测数据才60%，说明过拟合了，然后泛化能力太差。
另外一个模型，训练数据虽然是85%，但预测数据达到83%，这说明这个模型泛化能力好。
image.png
泛化能力主要是模型的复用性如何，可复用性高，效果好，那就好。
模型复杂度跟哪些因素有关呢
- 模型本身的选择（选择简单还是复杂的模型）
- 模型的参数个数 （参数太多也会导致模型变复杂）
- 模型的参数空间选择（空间指的是参数的集合，比如选择怎么样的参数才是最合适的）
- 模型拟合过少的样本
模型复杂度高会导致过拟合，相反会导致欠拟合
那么如何避免过拟合呢？
我们知道复杂度源于
- 模型本身的选择（选择简单还是复杂的模型）
- 模型的参数个数 （参数太多也会导致模型变复杂）
- 模型的参数空间选择（空间指的是参数的集合，比如选择怎么样的参数才是最合适的）
- 模型拟合过少的样本
那么如何去避免呢？
1、模型本身的选择 **
选择更加简单的模型
2、模型的参数个数**
减少参数的个数
3、模型的参数空间选择
进行正则项，约束要优化的参数
4、模型拟合过少的样本
获取更多的样本
