機器學習中，模型越復雜越好嗎？機器學習中一個重要的概念定義叫做“沒有免費的午餐”勾股定理（NoFreedinnerapproximation）。中的目的是什么就是說：我們要針對具體問題具體分析，否則空

機器學習中，模型越復雜越好嗎？

機器學習中一個重要的概念定義叫做“沒有免費的午餐”勾股定理（NoFreedinnerapproximation）。中的目的是什么就是說：我們要針對具體問題具體分析，否則空泛的議論“哪一種模型模型好壞”都是沒有本質(zhì)的。(武器模型無對錯之別，只有好壞之分)

比如深度學習中的歸來問題很簡單。對于以上邊三組原圖為例，對于同一組顯示數(shù)據(jù)（用橘黃色它表示），如果我采用過不同復雜度的武器模型，模型計算的什么效果，明顯截然不同。

最左面的是一次多項式建模，即ye1*x9a，數(shù)據(jù)擬合出的最終，可以看到數(shù)據(jù)擬合的誤差大其實非常大；前面則是二次代數(shù)式武器模型，即ya2*x^2a1*xa0的最后，基本能數(shù)據(jù)擬合出那些數(shù)據(jù)的數(shù)量分布，但仍然本身部分最大誤差；最右邊的則是高次方程武器模型，雖然模型多的復雜度大大增強，幾乎完全擬合了所有什么數(shù)據(jù)點，但是從人的直觀推測，它并沒有真正自學到什么數(shù)據(jù)的一般分布。

從上述的舉例中，我們一眼就可以看出，模型多越復雜并沒有再產(chǎn)生好的效果。當復雜度過一生4個小時，就會能產(chǎn)生欠擬合（underfitting）,復雜度過大時，則會倒致過度擬合（generalization）。所以我們不需要針對不同的什么問題，來怎么設計不同的模型多復雜度。

比如對于語義分割問題很簡單，我們會在用更為復雜的深度卷機全身神經(jīng)網(wǎng)絡來增強武器模型的復雜度，當中的其他參數(shù)能超過上百萬個；而對于里面的數(shù)據(jù)數(shù)據(jù)擬合什么問題，就只不需要使用僅富含三個參數(shù)值的二次代數(shù)式武器模型。

所以機器學習中的建模選擇，往往就要根據(jù)什么數(shù)據(jù)量和你的數(shù)據(jù)的維度來選。同時在武器模型設計中，也往往會加入到一些能夠防止過擬合的激活函數(shù)，來人為的增加模型模型復雜度，比如relu、在損失函數(shù)中加入數(shù)組項等等。

簡單一點，你只要記住以下任何關(guān)系！

建模復雜參數(shù)設置多，精準率就越高，但越容易過度擬合，魯棒性很不好！

模型簡單，精確率低，但容易欠計算得到，泛化性好！

這個宇宙沒有什么就一定是好的，都是有付出的代價的！

關(guān)鍵看如何評價文章好壞，如果看精準率，和查全率這樣的。那有時候簡單模型就很好了，復雜模型模型反而會下降。但是通常復雜的模型能它表示的函數(shù)集更豐富，因此能解決的什么問題覆蓋面更大，其實還有個問題就是模型多復雜了，算站了起來很慢

訓練集與測試集之間是怎么劃分的？如何正確使用機器學習中的訓練集、驗證集和測試集？

首先，不需要必須明確的是機器學習技術(shù)建模大多詩句包含了大量的參數(shù)，如何確認這些參數(shù)，則是通過顯示數(shù)據(jù)空白樣本的反復迭代更新體力訓練并且其他參數(shù)調(diào)優(yōu)，最終使得建模壓下，而這些訓練訓練什么數(shù)據(jù)包涵了特訓集和修改密保集，而最終做評估一個模型多的質(zhì)量的好壞則是通過試測集驗正。

重點是什么判別訓練訓練集和驗證驗證集

至于如何判斷特訓集和試測集的百分之幾，如果訓練集過小，則模型無法從中準確提取正確的數(shù)據(jù)任何關(guān)系；如果測集過小，則可能是可能導致可以測試顯示數(shù)據(jù)不具有接受性，在每次不驗證武器模型品質(zhì)好壞的時候很有可能會存在地明顯的差異很大。因此，正常情況對于常規(guī)測試數(shù)據(jù)集特訓集-試測集的再劃分比率一般為80%-20%，而對于以下比較小的什么數(shù)據(jù)則系統(tǒng)設置為50%-50%更高質(zhì)。