深度学习中的正则化技术(附Python代码)

数据科学家面临的常见问题之一是如何避免过拟合。你是否碰到过这样一种情况：你的模型在训练集上表现异常好，却无法预测测试数据。或者在一个竞赛中你排在public leaderboard的顶端，但是在最终排名中却落后了几百名？那么这篇文章就是为你而准备的！

（译者注： 在kaggle这样的数据竞赛中， public leaderboard排名是根据一部分测试集来计算的，用于给选手提供及时的反馈和动态展示比赛的进行情况；而private leaderboard是根据测试集的剩余部分计算而来，用于计算选手的最终得分和排名。 通常我们可以把public LB理解为在验证集上的得分，private LB为真正未知数据集上的得分，这样做的目的是提醒参赛者，我们建模的目标是获取一个泛化能力好的模型）

避免过拟合可以提高我们模型的性能。

目录

1. 什么是正