AI

过拟合

过拟合（overfitting，过度学习，过度拟合）：

过度准确地拟合了历史数据（精确的区分了所有的训练数据），而对新数据适应性较差，预测时会有很大误差。

过拟合是机器学习中常见的问题，解决方法主要有下面几种：

1. 增加数据量

大部分过拟合产生的原因是因为数据量太少。

2. 运用正则化

例如L1、L2 regularization等等，适用于大多数的机器学习，包括神经网络。

3. Dropout

专门用在神经网络的正则化的方法。

Dropout regularization是指在深度学习网络的训练过程中，按照一定的概率将一部分神经网络单元暂时从网络中丢弃，相当于从原始的网络中找到一个更瘦的网络。
只需要给予它一个不被drop掉的百分比，就能很好地降低overfitting。

也就是说，在训练的时候，随机忽略掉一些神经元和神经联结 ，使这个神经网络变得”不完整”，然后用一个不完整的神经网络训练一次。
到第二次再随机忽略另一些, 变成另一个不完整的神经网络。
有了这些随机drop掉的规则, 每一次预测结果都不会依赖于其中某部分特定的神经元。
Dropout的做法是从根本上让神经网络没机会过度依赖。

TensorFlow中的Dropout方法

TensorFlow提供了强大的dropout方法来解决overfitting问题。

示例

# coding=utf-8
from __future__ import print_function
import tensorflow as tf
from sklearn.datasets import load_digits  # 使用sklearn中的数据
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

digits = load_digits()
X = digits.data
y = digits.target
y = LabelBinarizer().fit_transform(y)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3)  # X_train是训练数据, X_test是测试数据


def add_layer(inputs, in_size, out_size, layer_name, activation_function=None, ):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, )
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)  # dropout
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b, )
    tf.summary.histogram(layer_name + '/outputs', outputs)
    return outputs


keep_prob = tf.placeholder(tf.float32)  # keep_prob（保留的结果所占比例）作为placeholder在run时传入
xs = tf.placeholder(tf.float32, [None, 64])
ys = tf.placeholder(tf.float32, [None, 10])

l1 = add_layer(xs, 64, 50, 'l1', activation_function=tf.nn.tanh)  # 隐含层
prediction = add_layer(l1, 50, 10, 'l2', activation_function=tf.nn.softmax)  # 输出层

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))  # loss between prediction and real data
tf.summary.scalar('loss', cross_entropy)
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()
merged = tf.summary.merge_all()
train_writer = tf.summary.FileWriter("logs/train", sess.graph)
test_writer = tf.summary.FileWriter("logs/test", sess.graph)
init = tf.global_variables_initializer()
sess.run(init)

for i in range(500):
    sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})  # keep_prob=0.5相当于50%保留
    if i % 50 == 0:
        train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})
        test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})
        train_writer.add_summary(train_result, i)
        test_writer.add_summary(test_result, i)

对比运行结果

在TensorBoard中查看。

训练中keep_prob=1时，暴露出overfitting问题，模型对训练数据的适应性优于测试数据，存在overfitting。

keep_prob=0.5时，dropout发挥了作用，减少了过拟合。