如何解决过拟合（overfitting）问题？

什么是过拟合？

为了得到一致假设而使假设变得过度严格称为过拟合。过拟合的模型一般对训练数据表现很好，而对测试数据表现很差。

如何解决过拟合问题？

1. early stopping：可以设定一个迭代截断的阈值，到了这个阈值迭代终止；也可以设定两次迭代之间的accuracy提高很小的时候，停止迭代。
2. 数据集扩增：从数据源采集更多数据；复制原有数据并增加随机噪声；重采样；根据当前数据集估计数据分布参数，使用该分布产生更多数据。
3. L1 L2正则化：使整体cost取较大值，避免某些特征权重过大。L1: 0附近参数趋于0，降低模型复杂度，防止过拟合；0处不可求导，w=0时，用未经正则化的更新方程来更新；L2: 使参数w变小加剧，更小的w意味着更低的模型复杂度。
4. Dropout：随机删除一些隐藏层神经元，使这些单元不更新。

原文见该地址。