机器学习 - 故意过拟合数据集

Question

我最近学习了机器学习，并且我正在开发一个井字游戏引擎，该引擎可以预测给定井字棋位置（或棋盘状态）中的最佳移动作为我的第一个项目。我使用蛮力为 3 x 3 棋盘创建了所有可能的位置（不包括已完成和重复的游戏），并获得了 4520 个不同的可能位置。然后我使用 MinMax 来找出每个位置的最佳移动。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：

既然我有所有可能的位置，为什么不在整个集合上训练模型（这样就不会有测试集了），并使用复杂的neural network来过拟合数据并得到 100%准确率，那么它在实际使用中也将是100%准确率，因为它不会遇到任何新的位置。

问题是，我注意到人们总是将过度拟合称为坏事，所以我的问题是：这是一个好的做法吗？为什么好不好？

Answer 1

当您希望模型泛化到新数据时，过度拟合是一个问题。在您的情况下，没有新数据，因此过度拟合不是问题。

但是，这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，这就是我们竭尽全力不过度拟合的原因。