三种经典的评估方法提高模型泛化能力

①留出验证：评估模型时，将数据划分为训练集、验证集、测试集。（比较适合大数据集）

在训练数据上训练模型，在验证数据上评估模型，最后在测试数据上测试最佳参数的模型。

划分为三个集合而非两个集合：训练集和测试集，是因为在模型设计时一般需要调节模型超参数，比如隐藏层数、每层神经元数等等，在这个调节学习的过程中会以验证集的性能作为反馈；

每次通过验证集调节模型的超参数，模型都会学习到验证集的信息，久而久之模型在验证集上的性能会非常好，但我们需要的是模型对全新未知数据上的性能，此时测试集就是我们所需要的。

②k折验证：将训练数据划分为大小相同的k个分区。（适合小数据集）

对于每个分区i，在其余的k-1个分区上训练模型，然后在分区i上评估模型，最终分数等于k个分区分数的平均值。

③带有打乱节奏的重复k折验证。（可用数据集很少）

执行p次k折验证，每次进行k折验证前将数据打乱，最终分数取p次k折验证的平均值。

需要注意的是，这种方法需要训练和评估pk次模型，计算量很大，只适合可用数据较少的情况。

防止过拟合：

①最简单的方法就是减小模型规格，即减小模型学习的参数个数（由层数与每层神经元数决定）。在验证集上评估，找到最佳的模型规格。

②添加权重正则化，即让模型权重只取较小的值，从而限制模型的复杂度。常见的有L1正则化、L2正则化。

③添加dropout正则化，对某一层使用dropout即在训练过程中随机将该层的一些输出特征舍弃（置0），dropout比率是被设为0的特征所占比例，通常在0.2~0.5之间。