共计 2199 个字符，预计需要花费 6 分钟才能阅读完成。
“事实世界永远不会组成一个类散布平衡、没有噪声和异样值、数据分布平均的完满数据集。”这是任何数据科学家都不想听到的话，但事实确是如此。
人们训练机器时，最常呈现的谬误即是模型过拟合与欠拟合，这是机器学习难以逃脱的陷阱。
而想通晓拟合不佳的原因，就不得不提及一个新词汇“泛化”。
什么是泛化?
举个例子，小 A 与小 B 一起要加入高考，A 在做题过程中踊跃总结思路，活学活用，而 B 则大量刷题，没有总结思考的过程，高考分数下来，A 超出 B 一百多分，同样的学习工夫，为什么差距这么大?
原来高考是全新的题目，A 总结了大量题型法则，利用触类旁通的技能，出色完成了考试。这种摸清实质法则的过程便是泛化，总结得越好，泛化也就越高。
机器学习中的泛化用于掂量模型对未见过数据样本的分类能力。如果一个模型能够从不同的汇合中预测数据样本，便是具备良好的泛化性。
所以，上述例子中，A 的泛化能力好，而 B 的泛化力差。机器学习的目标是失去良好的泛化，但泛化难以本身操控，只能基于训练数据调节模型。
于是，困扰模型的过拟合与欠拟合便呈现了。
过拟合
过拟合指模型在训练时体现较好，但在已知数据以外的数据集上体现较差，泛化力较弱。
这正如高考时的小 B，只记住本人做过的所有题型，只会做反复的事件，当遇到稍有变动或者全新题目时，就无从下手了。
因而，模型只有进入测试阶段能力检测出过拟合。造成过拟合的起因也是不言而喻：
【1】样本谬误，常见为选取样本数量少、选样办法不当、样本范畴过窄、样本标签谬误等。
【2】参数太多，模型简单度过高。
【3】样本乐音烦扰过大，使得机器将局部乐音认为是特色从而扰乱了预设的分类规定从性能角度讲，适度拟合会导致协方差过大 (variance is large)，在测试集上的损失函数(cost function) 也会加大。(损失函数越小，模型的鲁棒性越好。)
适度拟合的迹象检测过拟合最“原始”的办法便是划分数据集，以便独自查看模型在每组数据上的性能。
但随着技术提高，人们找到了更零碎的办法——K 折穿插验证是检测过拟合最罕用的技术之一。在这里，咱们在 K-folds 穿插验证中将数据拆分成 k 个大小相等的子集，并将一个拆分子集用作测试集，其余用于训练模型。具体做法如下：
K 折穿插验证此过程将反复 K 次，每一轮测试，选取一个数据集作为该模型的测试集，剩下 K - 1 个数据作为训练集，并对这 K 次训练误差和验证误差别离求取平均数, 以评估整个模型的性能。
因而，如果发现机器适度记住之前的训练数据特色，而没有把握正确的辨认教训，此模型即是失败品。
欠拟合
欠拟合与过拟合相同，欠拟合的成因是训练数据有余，即在训练集上的性能体现很差，测试集的体现同样很差。欠拟合往往随同着高偏差。
偏差反映的是预测值的冀望与实在值之差，偏差越高，模型在训练集上的错误率越高，误差也就越大。
因而，当模型呈现高偏差时，以下办法可利于升高误差，达到拟合状态：
【1】进步模型复杂度：丰盛算法模型，如可巧用神经网路、随机深林，增加更多高次项;
【2】参数适调：调整参数与超参数至适合地位，如学习率、学习衰减率、暗藏层数、暗藏层的单元数等;
【3】赋予更多特色：深刻开掘数据，为其赋予更多细化特色，对数据自身及具体利用场景了解越粗浅，越易找到强代表性的数据特色。
注：须要留神，自觉增加数据集是无用的，欠拟合指模型的学习能力弱，大量的数据集无奈扭转拟合状态，只有晋升学习能力，模型才会更加稳固。
数据标注仔细的搭档会发现，上文中重复提及了两个词汇即“训练数据与测试数据”。
在传统机器学习中，训练数据与测试数据贯通了模型的始终，间接决定模型拟合状态的低劣。而用于训练与测试模型的数据集从何而来?
精确来说，此类数据集是人类利用业余技术将采集数据本义为机器可了解的语言，该数据处理技术被称为 数据标注。
人们利用标注好的数据喂养机器。在训练集方面，数据标注不仅决定了训练数据品质，也是模型构建的重要桥梁。而在测试集方面，数据标注扮演着测验机器学习低劣的角色。标注实现的测试数据最终会与机器实现的测试集进行比照，以断定模型胜利与否。
因而，数据标注是除算法外对模型起决定作用的另一重要因素。标注品质越高，机器学习力越强。
而随着数据标注位置的晋升，大量标注公司涌入行业市场，曼孚科技也是其中之一。作为行业头部企业，曼孚科技抉择自研平台的翻新技术型路线，截至目前已推出第三代智能数据服务平台——MindFlow SEED 平台。
MindFlow SEED 平台提供计算机视觉 (2D 标注、语义宰割、3D 点云标注、交融标注、关键点标注、线标注)、语音交互(语音切割、语音情绪断定、ASR 语音转写)、自然语言解决(OCR 转写、文本信息抽取) 等多类型数据标注。
在具体标注模式上，MindFlow SEED 平台通过 AI 人机协同标注模式，联合 18 种不同类型 AI 预标注辅助工具，全面笼罩各类垂直标注场景，将局部 AI 标注工具准确率升至 99%、数据标注效率 10 倍以上，以涵盖智能驾驶、智慧城市、智能安防等具体畛域，满足人工智能多样性、丰富性的数据标注需要，推动人工智能在更多场景着落地利用。
而除业余的标注工具外，MindFlow SEED 平台也蕴含我的项目、供应链、数据安全等治理类目。
通过整合不同工作环节，该平台旨在突破数据孤岛模式，实现对数据全生命周期的对立治理，晋升执行效率，满足人工智能多样性、丰富性的数据标注需要，推动人工智能在更多场景着落地利用。