怎么比较模型的拟合精度
拉曼光谱拟合精度要达到多少？
拉曼光谱拟合精度要达到多少？
拉曼光谱拟合精度至少得达到0.8以上，只有如此，拟合结果的可信度才能被接受。
rtk中的高程拟合方法选哪个？
已知点有大地高和正常高两种高程成果就可以拟合了，一个点可以垂直平移，两个点可以直线拟合，一般根据测区大小和精度需要确定需要多少已知点，重要的是已知点要包围整个测区。
这和高程点的多少有关系，一个点就是垂直平移拟合，两个点就是直线拟合，三个以上点曲线拟合 联测几何水准点的点位，应均匀地分布于测区。测区周围应有几何水准联测点，由它们连成的多边形应包围整个测区。因为拟合计算不宜外摊，否则会发生振荡。
深度神经网络是否夸张地过拟合了？
这个不能一概论之的。
1.过拟合也分多种情况，1种是现在就这么多情况，这个神经网络已经能对这么多情况都给出正确答案了，那么就算过拟合了，你也是没办法证明的，另外即然能工作，能穷尽，也不存在坏处。
2.是不是过拟合，和我们的神经网络模型和训练集有关系，当二个的组合真的过拟合了，在训练集上过工作的很好，在验证集上就会出问题。现在有一些对训练集的数据进行各种预处理的方式后，多次输入，多次训练。
3.过拟合这个问题目前来看，无法避免，训练本身就是某种拟合的过程。如果将来在这个方面的数学原理或是使用上有质的突破，可能就会有机会解决。
首先，过拟合定义。
通过模型或者理解为函数，去拟合（表征）数据的过程就是拟合的的过程。
形象的理解，平面坐标系里有很多点，找一根线（函数）来表示这些点的规律的过程就是拟合。
YaX b
(x , y )是已知样本点
( x , ?)是目标未知的样本点
训练模型或者找函数的过程就是找合适的a,b两个参数的过程。
通过拟合好的高数，我们来预测未来的数据，当函数在已知的训练样本上拟合这些样本点，拟合的很好，在未知的测试样本上进行预测时，拟合的结果却很差，即模型（函数）出现了过拟合现象。
回答题目。
对已知的训练数据，模型越拟合精度越高，函数绘制的线描点描的越准确，这是必然。深度神经网络模型是否过拟合，要看模型在未知的测评数据集上表现出来的性能好坏。