过度拟合如何导致对象检测中出现误报？

Question

我正在进行张量流object detection，发现有很多false positives。我看到的主要原因之一是overfitting的情况。但是我怀疑false positive如何成为overfitting的结果？当它学习到数据中的复杂模式时，就会发生过度拟合，或者简而言之，它会导致数据记忆化。

如果这是一种回忆，它不会显示更多的假阴性，因为它只有memorised the training data并且无法检测到新的案件。如何将其他对象真正归为受过训练的课程is it not counter intuitive?

Answer 1

我想到的一个原因是您的训练数据中的异常值：

假设您在A类的训练数据中有一些异常值，结果可能在某个维度上更多地位于其他B类的域中，那么过度拟合将导致类边界朝着这个离群值。这可能有效地导致很多误报，因为A类的偏移边界现在部分位于应该在B类范围内的区域。

举一个极端的例子，过度拟合的边界可能看起来像这样：

在这里，由于过度拟合，我们将异常值保留在正类别中，但同时也要考虑两个假负。这两个类别之间的广义良好边界会将异常值视为假阴性，但由于不同时包括这两个假阳性，因此仍具有较高的准确性。

顺便说一句，由于异常值，相同的结果可能会导致误报，这就是为什么过度拟合通常被认为是不好的原因。