WHAT IS NTD ?
通常 NTD 是指新台币，New Taiwan Dollar。
WHAT IS STUMIS ？
Student Management Information System 学生管理信息系统
过拟合
过拟合（Overfitting）是机器学习中的一种现象，指模型在训练数据上表现得非常好（即误差很小），但在测试数据或新数据上表现得很差。换句话说，模型过于“记住”了训练数据的细节和噪声，而没有学习到数据的总体规律或本质特征。
过拟合的表现
训练集误差很小：模型在训练集上的预测表现非常好。
测试集误差很大：模型在测试集上的表现却很差，无法很好地推广到新数据。
对噪声过于敏感：模型可能学习到了训练数据中的噪声和异常值，而不是数据的真实模式。
为什么会发生过拟合？
- 模型太复杂：
- 模型的自由度过高（如神经网络的层数或参数过多），能够拟合训练数据中的每个细节。
- 训练数据不足：
- 训练数据量过少，使得模型容易记住数据，而不是泛化规律。
- 训练时间过长：
- 模型训练时间过长，逐渐对训练数据“死记硬背”。
- 数据噪声：
- 数据中包含较多的噪声或无关特征，模型将这些噪声也视为模式。
如何防止过拟合？
- 增加数据量：
- 收集更多的训练数据，帮助模型更好地学习数据的总体分布。
- 简化模型：
- 减少模型的复杂度（如降低神经网络的层数、减少参数数量）。
- 正则化：
- 添加正则化项（如L1或L2正则化），限制模型参数的大小，防止过于复杂。
- 使用验证集：
- 在训练过程中通过验证集监控模型性能，防止训练时间过长。
- 提前停止（Early Stopping）：
- 在验证集误差开始增大时停止训练。
- 数据增强：
- 使用数据增强技术生成更多变种的训练数据（如图像旋转、裁剪等）。
- Dropout（神经网络中常用）：
- 随机丢弃一部分神经元，防止网络过于依赖特定节点。
过拟合的简单例子
假设你要用一个模型拟合一个散点图（如预测房价）：
- 欠拟合（Underfitting）：模型是一个简单的直线，未能捕捉数据的非线性关系。
- 正常拟合（Good Fit）：模型是一条合理的曲线，能较好地预测数据趋势。
- 过拟合（Overfitting）：模型是一条非常复杂的曲线，完美拟合了每一个点，但在新数据上预测效果很差。
通过平衡模型的复杂度和训练数据量，同时引入合适的正则化手段，可以有效地减轻过拟合问题。
ABC : American-born Chinese
“ABC” : American-born Chinese
美国出生的华裔