machine-learning - 机器学习 - 故意过度拟合数据集

Question

我最近学习了机器学习，并且正在开发一个井字棋引擎，该引擎可以预测给定井字棋位置(或棋盘状态)的最佳 Action 作为我的第一个项目。我用蛮力创建了 3 x 3 棋盘的所有可能位置(不包括已完成和重复的游戏)，并得到了 4520 不同的可能位置。然后我使用 MinMax 找出每个位置的最佳 Action 。现在我想为这些数据拟合一个模型以达到最大的准确性。我想到的是:

Since I have all possible positions, why don't I train the model on the whole set (So there won't be a test set), and use a complicated neural network to overfit the data and get 100% accuracy, then it will also be 100% accurate in practical use since it won't encounter any new positions.

问题是，我注意到人们总是将过度拟合视为一件坏事，所以我的问题是:这是一个好的做法吗？为什么它好或不好？

Answer 1

当您希望模型泛化到新数据时，过度拟合就会出现问题。在您的情况下，没有新数据，因此过度拟合不是问题。

但是，这并不是机器学习通常的用途，在大多数情况下，泛化才是重点，这就是为什么我们竭尽全力避免过度拟合。