机器学习--过度拟合

Posted 2021-01-25 tuokid

过度拟合（overfitting）是指数据模型在训练集里表现非常满意，但是一旦应用到真实业务实践时，效果大打折扣；换成学术化语言描述，就是模型对样本数据拟合非常好，但是对于样本数据外的应用数据，拟合效果非常差。在我们数据分析挖掘业务实践中，就是“模型搭建时表现看上去非常好，但是应用到具体业务实践时，模型效果显著下降，包括准确率、精度、效果等等显著下降”。

过拟合的第一个原因，就是建模样本抽取错误，包括（但不限于）样本数量太少，抽样方法错误，抽样时没有足够正确考虑业务场景或业务特点，等等导致抽出的样本数据不能有效足够代表业务逻辑或业务场景；

过拟合的第二个原因，就是样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系；

过拟合的第三个原因，就是在决策树模型搭建中，如果我们对于决策树的生长没有合理的限制和修剪的话，决策树的自由生长有可能每片叶子里只包含单纯的事件数据(event)或非事件数据（no event），可以想象，这种决策树当然可以完美匹配（拟合）训练数据，但是一旦应用到新的业务真实数据时，效果是一塌糊涂。

过拟合的第四个原因，就是建模时的“逻辑假设”到了模型应用时已经不能成立了。任何预测模型都是在假设的基础上才可以搭建和应用的，常用的假设包括：假设历史数据可以推测未来，假设业务环节没有发生显著变化，假设建模数据与后来的应用数据是相似的，等等。如果上述假设违反了业务场景的话，根据这些假设搭建的模型当然是无法有效应用的。

过拟合的第五个原因，就是建模时使用了太多的输入变量，这跟上面第二点（噪音数据）有些类似，数据挖掘新人常常犯这个错误，自己不做分析判断，把所有的变量交给软件或者机器去“撞大运”。须知，一个稳定优良的模型一定要遵循建模输入变量“少而精”的原则的。

上面的原因都是现象，但是其本质只有一个，那就是“业务理解错误造成的”，无论是抽样，还是噪音，还是决策树，神经网络等等，如果我们对于业务背景和业务知识非常了解，非常透彻的话，一定是可以避免绝大多数过拟合现象产生的。因为在模型从确定需求，到思路讨论，到搭建，到业务应用验证，各个环节都是可以用业务敏感来防止过拟合于未然的。

入世，出世，都是一样的“道”，所谓“道”从来不离开我们半步，只是看我们自身是否足够清净，足够醒悟，足够真实而已。佛法有八万四千法门，但是这些林林总总的都是不同的方便路径，归根结底，佛法的根本只是“认识我们与生俱来的本来面目，真如自性”而已。

过拟合的产生，原因种种，不一而足，但是这种分类和剖析只是人为的方便而已，防止过拟合的终极思路就是真正透彻理解业务背景和业务逻辑，有了这个根本，我们一定可以正确抽样，一定可以发现排除噪声数据，一定可以在决策树、神经网络等算法中有效防止过拟合产生的。

当然，除了上面“业务透彻了解”这个根本外，也有一些技术层面的方法来防止过拟合的产生，虽然是“术”的层面，但是很多人热衷于这些技巧，所以，在这里也顺便列举如下：

最基本的技术手段，就是合理、有效抽样；包括分层抽样，过抽样，等等，用不同的样本去检验模型；

另外，事前准备几个不同时间窗口，不同范围的测试数据集、验证数据集，把模型在不同的数据集里分别“交叉检验”，是目前业界防止过拟合的最常用的手段了；

第三，建模时目标观测值的数量太少，如何分割训练集和验证集的比例，需要建模人员灵活掌握；

第四，如果数据太少的话，谨慎使用神经网络模型，只有足够多的数据的情况下，神经网络模型才可以有效防止过拟合的产生。并且，使用神经网络时，一定要事先有效筛选输入变量，千万不能一股脑把所有变量放进去。