本文主要是介绍李航《统计学习方法》第一天之过拟合与泛化误差，极大似然估计和贝叶斯估计，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
写在前面：《统计学习方法》各章节代码实现与课后习题参考解答 https://blog.csdn.net/breeze_blows/article/details/85469944
1.、过拟合
概念：过拟合简单的说来就是就是训练出来的模型在训练集上表现很好，但是在测试集上表现较差的一种现象！
模型出现过拟合现象的原因：
发生过拟合的主要原因可以有以下三点：
（1）数据有噪声
意思就是把一些干扰点给训练进去了，而且训练集上整个表现都很好，但是由于测试集里面不包含干扰点（即使包含了也是错的），导致测试输出也还是十分的差劲。引用两幅图可以更加直观。
在经过一系列的训练之后，也许就会训练出下图的模型：
但是，这个是我们想要的吗？并不是！看似十分完美，损失函数为，但是拿到测试集里一检验就会出现很大的误差。
（2）训练数据不足，有限的训练数据
这个原因也十分的好理解，上图有4个点，假设4个点都是待训练集中的实际点，但是由于数据不足，我们可能只训练了左边的两个点，那这样得出来的模型会和实际的模型相差甚远。
（3）训练模型过度导致模型非常复杂
训练模型过度导致模型非常复杂，也会导致过拟合现象！这点和第一点俩点原因结合起来其实非常好理解，当我们在训练数据训练的时候，如果训练过度，导致完全拟合了训练数据的话，得到的模型不一定是可靠的。
比如说，在有噪声的训练数据中，我们要是训练过度，会让模型学习到噪声的特征，无疑是会造成在没有噪声的真实测试集上准确率下降！
2.泛化误差
我也不是很明白这个公式的推导过程。
3.极大似然估计
https://wenku.baidu.com/view/0d9af6aa172ded630b1cb69a.html 这一个链接里面的ppt说的还是很明白了。
4.贝叶斯估计：
https://blog.csdn.net/qq_32742009/article/details/81481680 看的懵懵懂懂，主要是不知道怎么运用。
最后，加上一个：
贝叶斯估计和极大似然估计到底有何区别 ：https://blog.csdn.net/feilong_csdn/article/details/61633180
这篇关于李航《统计学习方法》第一天之过拟合与泛化误差，极大似然估计和贝叶斯估计的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
