機器學習-過度擬合數據集

Question

我最近學習了機器學習 ，並且正在開發一個Tic Tac Toe引擎，該引擎可以預測給定Tic Tac Toe位置（或板狀態）的最佳移動，這是我的第一個項目。 我用蠻力為3 x 3棋盤創建了所有可能的位置（不包括完成和重復的游戲），並獲得了4520個不同的可能位置。 然后，我使用MinMax找出這些位置中每個位置的最佳移動。 現在，我想對該數據擬合模型，以實現最大的准確性。 我想到的是：

由於我擁有所有可能的職位，所以為什么不對整個模型進行訓練（因此就不會有測試集），並使用復雜的neural network對數據進行過擬合並獲得100％的准確性，那么它將由於不會遇到任何新職位，因此在實際使用中也能100％准確。

問題是，我注意到人們總是將過擬合視為壞事， 所以我的問題是：這是一種好習慣嗎？ 又為什么好呢？

Answer 1

當您希望模型推廣到新數據時，過度擬合是一個問題。 在您的情況下，沒有新數據，因此過擬合不是問題。

但是，這並不是機器學習通常用於的目的，在大多數情況下，泛化才是重點，這就是為什么我們不遺余力地竭盡全力。