基于深度学习过拟合现象的分析

深度学习中处理不平衡问题的方法普遍采取采样和代价敏感,即建立在词向量迁移的基础上强化系统内部任务功能的选择方法。鉴于此,本文基于深度学习及常见的过拟合现象,结合现阶段国内外主流应用产品,尝试着提出一种建立在机器人深度学习的产品设计、优化决策支持。在实现方法与技术控制层面上,最大限度结合均衡过采样充分利用样本信息,以此来保持模型判定与识别精度,增强对象特征的平衡效果。研究结果表明,优化后的数据采样方法应用下,针对大部分无严重过拟合情况下的深度学习文本信息具有更好的平衡效果。反之,当深度学习环节存在较为严重的过拟合现象,同样可借助该方法增强系统的平衡性能。