在目标检测中，过度拟合如何导致误报？

Question

我正在做tensorflow object detection，我发现有很多false positives。我看到的主要原因之一是overfitting。但我怀疑false positive是如何成为overfitting的结果的？当它在数据中学习一个复杂的模式，或者简单地说，它导致对数据的记忆时，过度拟合就会发生。

如果是记忆，它会不会显示更多的假阴性，因为它只有memorised the training data，无法发现新的病例。它如何才能真正将其他对象归类为属于经过训练的类is it not counter intuitive?的对象？

Answer 1

我可以想到的一个原因是培训数据中的离群值：

假设你在A类的训练数据中有一些强异常值，结果可能会更多地分布在另一类B的某个维度上，然后过度拟合会导致类边界向这个离群点的方向移动。这实际上会导致大量的假阳性，因为A类移动的边界现在部分地位于一个应该属于B类的区域内。

在一个极端的例子中，过高的边界可能如下所示：

​

​

在这里，由于过度拟合，我们将异常值保留在正类中，而代价是取两个假负数。在这两个类别之间的一个广义的好边界将放弃异常值作为假负，但由于不包括这两个假阳性，仍然有一个更高的准确性。

顺便说一句，由于异常值而导致的假阳性也可能发生，这就是为什么过度拟合通常被认为是不好的原因。