对模型泛化性能及正则化的理解

梳理下在学习吴恩达视频中正则化时与人讨论后的感悟与想法，大部分是对L1、L2、dropout正则化的理解 泛化性 泛化即是，机器学习模型学习到的概念在它处于学习的过程中时模型没有遇见过的样本时候的表现。 过拟合 当某个模型过度的学习训练数据中的细节和噪音，以至于模型在新的数据上表现很差，我们称过拟合发生了。这意味着训练数据中的噪音或者随机波动也被当做概念被模型学习了。而问题就在于这些概念不适用于新

>>阅读原文<<