关于overfit的随笔

看到@ 爱可可-爱生活转发的文章。稍微看了下，在这里记录下。

overfit是机器学习的一个重要概念。在狭义上可以定义为模型过于复杂，导致模型的generalization不够好。我认为应采用一个广义的定义凡是generalization不行的，都可以定义为overfit。从我的定义出发的话，可以认为这个文章围绕overfit展开，从三个方面讨论了这个新手老鸟都会犯的错误。

第一部分概述了overfit，这一部分可看作从建模的复杂度来讨论overfit，你的模型越复杂越容易overfit。其中overfit是memorizing而不是learning的比喻很贴切。我们需要通过something学到规律而不是仅仅简单的记住someting。我补充下，overfit可以通过bayes的prior来引入regulatization，从而提高generalization。

第二部分从数据的角度来讨论overfit，你用来训练的数据也会带来overfit。这部分可分成两个小节：首先，bias的训练数据当然会bias你的预测，generalization不够好，overfit随之产生。其次，leakage的训练数据，会引入测试数据的规律到模型中，等于您白测了，cross-validating的hyper-param作废了，不能generalization，于是overfit又来了。的确很多论文都没注意这一点，微软就闹过这种笑话。