在使用神经网络进行图像处理时，我学到了一条经验法则：为避免过度拟合，为每个神经元提供至少 10 个训练示例。
分类器是否有类似的经验法则XGBoost，大概考虑到特征和估计器的数量？
而且，考虑到“维度的诅咒”，经验法则不应该n_training是几何n_dimensions而不是线性的吗？
在不过度拟合的情况下训练 XGBoost 的最小样本数
数据挖掘
神经网络
分类
xgboost
过拟合
2022-02-27 04:53:20
2个回答
示例的数量应该与特征有关，这是完全正确的。但这不仅仅是特征的数量，因为数字的范围（最大最小和不同数字的计数）也很重要。另一方面，如果你有噪音，你需要更多的例子，所以它与你的数据集有关。
这不仅仅是样本的数量，这也是一个深度的问题。
你的深度越高，你越有可能过度拟合。
您可以通过添加大量树来减少过度拟合，从而使您的算法“稳定”
其它你可能感兴趣的问题