过拟合
学习器在训练集上面的误差称为“训练误差”或“经验误差”，新样本上面的误差称为“泛化误差”。当学习器把训练集训练的“太好”，把训练样本自身的一些特点当做所有潜在样本的性质，导致泛化能力下降，称为过拟合，表现为模型在训练集上面效果好，在测试集上效果差，即训练误差减小，而泛化误差增加。与之相对的是“欠拟合”。
防止过拟合的方法：
1、增大数据集
2、Early Stopping
3、正则化，常用L1、L2正则化
4、Dropout
增大数据集：
a、从数据源头获取更多数据
b、数据增强：通过一定规则扩充数据。如在物体分类问题里，物体在图像中的位置、姿态、尺度，整体图片明暗度等都不会影响分类结果，通过图像平移、翻转、缩放、裁剪等将数据扩充；
Early Stopping 通过迭代次数截断的方法来防止过拟合的方法，当在训练集上误差较小，在验证集误差开始增大时停止训练。
3、L1正则化
L2正则化
L1会带来稀疏矩阵，L2会使参数更小
4、Dropout
在训练开始时，随机得删除一些隐藏层神经元（1/2,1/3,1/4），，相当于训练了很多个只有半数隐层单元的神经网络，每一个这样的半数网络，都可以给出一个分类结果，这些结果有的是正确的，有的是错误的。随着训练的进行，大部分半数网络都可以给出正确的分类结果，那么少数的错误分类结果就不会对最终结果造成大的影响。
