我最近学习了机器学习，并且我正在开发井字游戏引擎，该引擎可以预测给定井字游戏位置（或板状态）中的最佳移动作为我的第一个项目。我用蛮力为 3 x 3 棋盘创建了所有可能的位置（不包括完成和重复的游戏），并得到了 4520 个不同的可能位置。然后，我使用 MinMax 找出这些位置中每个位置的最佳移动。现在，我想对该数据拟合模型，以实现最大的准确性。我想到的是：
由于我拥有所有可能的职位，为什么不对整个模型进行训练（因此就不会有测试集），并使用复杂的
neural network来过度拟合数据并得到<准确度达到100％，那么由于不会遇到任何新职位，在实际使用中也会达到 100％。
问题是，我注意到人们总是将过度拟合视为坏事，所以我的问题是：这是一种好习惯吗？那为什么好呢？
答案 0 :(得分：4)
当您希望模型推广到新数据时，过度拟合是一个问题。在您的情况下，没有新数据，因此过拟合不是问题。
但是，这并不是机器学习通常用于的目的，在大多数情况下，泛化才是重点，这就是为什么我们会竭尽全力不要过度拟合。