如何避免过拟合？
参考整理：https://www.cnblogs.com/jiangxinyang/p/9281107.html
1) 正则化
通过控制模型参数的大小来降低模型的复杂度
L1 = $alpha sum_w |w|$ 作为J0函数的约束，加入L1正则项后，数据集中对模型贡献不大的特征所对应的参数w可以为0，
因此L1正则项得出的参数是稀疏的；
L2 =$alpha sum_w |w|^2 $,将对模型贡献不大的特征所对应的参数设置为无限小的值
【机器学习】
决策树：
2) 剪枝处理
预剪枝：控制树深度、叶子节点数、叶子节点中样本的个数 --> 控制树的复杂度
后剪纸：模型训练完之后，用交叉验证的方式进行剪枝达到最优的树模型
--结合多种模型
集成学习：
3）Bagging和Boosting
多个模型的组合弱化单个模型的异常点的影响
【神经网络】
4) 增加噪声
在输入数据上添加，增大数据的多样性；也可在权值上添加噪声
5) 权值共享
最常见的在CNN中，权值共享可以减小模型中的参数，同时减少计算量
6) 提前终止迭代（Early stopping）
通过提前终止迭代，有效控制权值参数的大小，从而降低模型的复杂度
7) Batch Normalization
在深度神经网络激活层之前，将每一层的输入值做归一化处理，且重构归一化处理之后的数据，确保数据的分布不会发生改变
优点：提高CNN网络收敛速度，提高分类准确率；不需要使用局部相应归一化处理，不需要加入dropout
--结合多种模型
8) Dropout
用在全连接层，在一定概率上(通常设为0.5，此时随机生成的神经网络最多)隐式地去除网络中的神经元
缺点：每次迭代时dropout的神经元都不同，有一些参数不被训练到，导致网络的训练速度慢2、3倍；且数据小时效果不佳
(1),(2),(4),(5),(6),(7): 在一个模型上，通过改变模型的复杂度来控制过拟合；
(3),(8): 结合多种模型来控制过拟合.