文章目录
前言正文1、如何处理过拟合？2、过拟合原因？3、L1和L2的区别
前言
机器学习面试关于算法方面的内容，对网络上的内容进行整合，方便日后自己复习以及给大家面试的时候来用。以下内容均来自于网络上的资源，会在文末统一标明出处。
正文
1、如何处理过拟合？
提前结束训练使用正则参数控制树的深度or学习率随机列抽样
2、过拟合原因？
数据：数据不规范，数据量少，数据穿越，统计特征用到了未来的信息或者标签信息 算法：算法过于复杂
解决方案：
将数据规范化，处理缺失值，增加数据量，采样，添加噪声数据正则化，控制模型复杂程度，early stoping，减少迭代次数，减少树的深度，学习率调大/小点、融合几个模型
3、L1和L2的区别
L1是Lasso Regression，表示向量中每个元素绝对值的和：L1范数的解通常是稀疏性的，倾向于选择数目较少的一些非常大的值或者数目较多的insignificant的小值。L2是岭回归，Ridge Regression，是欧氏距离也就是平方和的平方根。L2范数越小，可以使得w的每个元素都很小，接近于0，但L1范数不同的是他不会让它等于0而是接近于0。L1正则化的w可取的值是转置的方形，L2对应的是圆形。这样损失函数l（w）的最小值更容易在L1对应的边角上取得，从而这些维度变成0了。从贝叶斯的角度来看，加入正则项相当于加入了一种先验。即当训练一个模型时，仅依靠当前的训练数据集是不够的，为了实现更好的泛化能力，往往需要加入先验项。L1范数相当于加入了一个Laplacean先验；L2范数相当于加入了一个Gaussian先验。L2对大数的惩罚更大，但是解相对来说比较均匀。
