我正在进行URL分类（钓鱼 – 非钓鱼），并为我的模型（梯度提升）绘制了学习曲线图（训练与交叉验证得分）。

我的看法

这两条曲线似乎趋于一致，差异并不显著。训练集的准确度略高一些是正常的。（图1）

问题

我在机器学习方面的经验有限，因此我想听听您的意见。我解决这个问题的方法是否正确？这个模型是否正常，还是存在过拟合的情况？

注意：类别是平衡的，特征选择得当

相关代码

from yellowbrick.model_selection import LearningCurvedef plot_learning_curves(Χ, y, model):       # 创建学习曲线可视化工具       cv = StratifiedKFold(n_splits=5)       sizes = np.linspace(0.1, 1.0, 8)       visualizer = LearningCurve(model, cv=cv, train_sizes=sizes, n_jobs=4)       visualizer.fit(Χ, y)  # 拟合数据到可视化工具       visualizer.poof()

回答：

首先，您的图表中展示了8个不同的模型。

很难判断其中一个是否过拟合，因为过拟合可以通过“轮数 vs 性能（训练/验证）”图表来检测（在您的案例中会有8个这样的图表）。

过拟合意味着，在一定轮数之后，随着轮数的增加，训练准确度上升而验证准确度下降。例如，当您的数据点相对于问题的复杂度太少时，可能会出现这种情况，因此您的模型可能在利用虚假的相关性。

根据您的图表，我们可以说您的问题的复杂性似乎需要“高”数量的训练实例，因为随着训练实例的增加，您的验证性能持续提高。可能少于10000个实例的模型存在过拟合，但您的超过50000个实例的模型也可能过拟合，我们没有看到这一点是因为您使用了提前停止机制！