神经网络中的Dropout和Bagging的作用都是用来防止模型过拟合(over-fitting)的。
它们两者从出发点和效果上有什么不同？
1个回答
Bagging和Dropout的目的是一样的，都是为了防止模型过拟合。但是bagging是针对于data，dropout是针对于特征。
Bagging是每次训练的时候从原训练集中随机抽取样本，然后对该样本进行训练。多次反复后，对最后的结果取均值。
Dropout是在构建神经网络的时候，随机的丢掉一些节点和边，这就是相当于对特征进行了随机选择（类似于RandomForest随机选择特征）。
这两者并不分谁好谁差，而且通常为了防止模型过拟合，我们也会考虑同时使用这两者方法。
黄前志
2017-04-03 07:32
相关主题
deep learning中的pooling是什么意思？
6回答
前馈神经网络如何选择隐藏层的数量
2回答
神经网络中的gradient check是什么意思？
2回答
关于神经网络的性能
1回答
pytorch 的交叉熵损失总是报错，同样的结构改成MSELoss就没有问题
1回答
mac电脑怎么用ssh远程控制Linux服务器查看可视化结果
1回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！