这一节主要讲了overfitting， 主要来源自noise， 而noise来源主要有二： 其一是数据本身带有noise， 其二是模型本身的hypothesis set在拟合复杂的target function的noise(这部分应该是模型设计所导致的，因为高阶不能拟合高阶， 所以设计的高阶能力有限吧， 不能达到f）

• illustration。解释了什么是过拟合， 如用4阶的line去拟合5个带noise的点， Ein = 0， 但是Eout就很大了。 Overfitting有两层含义： 一层是针对两个模型而言， 如3阶的模型与4阶的模型比较(4阶的过拟合）； 另外一层含义是针对同个模型而言，如在神经网络中， 训练过度也会导致过拟合， 并且泛化误差大， 就是Ein在不断下降， 而Eout却不，一个技巧是使用early stopping。

  
  
  illustration
  
  
  versus

• 下面是对overfitting下定义。 简单来说， 就是去拟合noise了。

  
  
  definition

• case study。 为了说明noise的来源， 做了两个case： 一个的数据样本是10阶的数据点+noise； 另外一个是50阶的数据点(没有noise)。我们用了两个模型来拟合它: 一个是2阶的模型， 另外一个是10阶的模型。 按理来说， 应该有这样的感觉， 我们已经知道了是10阶的模型产生的数据， 那么我们用10阶去拟合， 应该结果会很好吧； 另外一个是50阶的数据， 案例说10阶至少会比2阶的好吧。 而事实却不是这样的。我们看到10阶的Ein都非常小， 但是Eout却十分的大！

data

fit

• 再次从Ein和Eout的关系来看拟合的例子1. H2的模型能力比H10的模型能力差， 所以Expected Error肯定大些。 随着数据点增多， Ein变多， Eout一开始比较大， 然后逐渐降低逼近Ein， 但是会保持比Ein高的水平。 H10的分析如之前。

  
  
  case1

• 对于例子2来说， 真的是没有noise吗？ 虽然输入点x似乎没有noise。

  
  
  case2

• case1. 为了做分析，我们有如下的notation， \sigma^2是noise的水平(case 1)， Qf目标函数的复杂度(case 2)； 并且， 我们比较Eout(10) - Eout(2)。

  
  
  exp1
  
  
  exp2

• Result。我们将结果通过color plot的形式呈现出来， 左图是X方差的影响， 右图是target function复杂度的影响。 \sigma^2称为随机noise， 因为它们是无法衡量的并且随数据集固定了，是所有的模型都要面临的； Qf产生的误差称之为确定性noise， 因为当你确定了一个模型， 这个确定性noise也就确定了(稍后解释)。 我们看到， 随着数据点N的增多， overfitting在减小， 而随着随机noise的增多， overfitting在增大（我们有更大的可能性是在拟合noise？）； 而随着确定性noise的增大， overfitting的问题也在增大（这是模型本身确定的了）。

res1

res2

• 接下来详细解释确定性noise。 确定性noise定义为我们最终确定的h*(x)与f(x)之间的差异。 之所以称为noise可以这样理解， 你让一个只懂得实数的小男孩给你列举出一个复数的例子， 这显然超出了它的能力， 于是他竭尽全力也只能说1.32323（等等）， 复数对它来说就是noise， 强人所难的noise。 确定性noise与随机noise主要有两个区别： 一是它依赖于假设空间， 假设空间的能力决定了确定性noise； 而是一旦x确定， 那么确定性noise也就确定了。 对于随机noise来说，它对所有的假设空间来说都是一样的， 另外是对于一个确定的x， 它也可能是不一样的。 那么， 如何确定确定性noise呢， 答案是无法确定， 但是有一点是可以肯定的是对于有限的数据点， H是在拟合noise的。

  
  
  deter1
  
  
  deter2

• 接下来从bias variance角度来解释noise。 推导过程如lecture 8. 最终我们看到Eout = var + 确定性误差(模型能有多逼近f(x)) + 随机误差(x本身)。

  
  
  bv1
  
  
  bv2
  
  
  bv3

• 如何解决overfitting呢， 一个是regularization(刹车)， 一个是validation(守住底线）， 这是接下来两节的主题。

  
  
  cures
  
  
  effect