机器学习第四章线性回归算法进阶4.3线性回归的正则化（《大话Python机器学习》学习笔记）

第四章线性回归算法进阶
4.3线性回归的正则化
4.3.1为什么要使用正则化
欠拟合（Underfitting）：   采用一定的算法去拟合时，如果没有考虑相当的信息量（特征变量），从而对训练数据集的拟合算法无法精确，便会发生欠拟合现象。欠拟合也成为高偏差（Bias），即建立的模型拟合与预测效果较差。   解决方法：通过增加更多的特征变量，利用更高次幂的多项式当作假设函数，以该假设函数来拟合训练数据。   欠拟合的问题需要我们不断尝试各种合适的算法，优化算法中的参数挑中，以及通过数据预处理、数据可视化等特征工程，找到模型拟合效果最优化的结果。
过拟合（Overfitting）：   采用一定的算法去拟合时，有时会有训练数据不够情况发生，也就是训练数据无法约束更多的特征变量，或者当模型过度训练的情况发生，便产生过拟合现象。也称作高方差（variance）。   过拟合过出现在特征变量过多的情况下，建立的模

机器学习第四章线性回归算法进阶4.3线性回归的正则化（《大话Python机器学习》学习笔记）最先出现在Python成神之路。