1. 防止過擬合的方法有哪些？

過擬合（overfitting）是指在模型引數擬合過程中的問題，由於訓練資料包含抽樣誤差，訓練時，複雜的模型將抽樣誤差也考慮在內，將抽樣誤差也進行了很好的擬合。

產生過擬合問題的原因大體有兩個：訓練樣本太少或者模型太複雜。 

防止過擬合問題的方法：

（1）增加訓練資料。

考慮增加訓練樣本的數量

使用資料集估計資料分佈引數，使用估計分佈引數生成訓練樣本

使用資料增強

（2）減小模型的複雜度。

a.減少網路的層數或者神經元數量。這個很好理解，介紹網路的層數或者神經元的數量會使模型的擬合能力降低。
b.引數範數懲罰。引數範數懲罰通常採用L1和L2引數正則化（關於L1和L2的區別聯絡請戳這裡）。
c.提前終止（Early stopping）；
d.新增噪聲。新增噪聲可以在輸入、權值，網路相應中新增。
e.結合多種模型。這種方法中使用不同的模型擬合不同的資料集，例如使用 Bagging，Boosting，Dropout、貝葉斯方法

而在深度學習中，通常解決的方法如下

Early stopping方法的具體做法是，在每一個Epoch結束時（一個Epoch集為對所有的訓練資料的一輪遍歷）計算validation data的accuracy，當accuracy不再提高時，就停止訓練。

獲取更多資料（從資料來源頭獲取更多資料      根據當前資料集估計資料分佈引數，使用該分佈產生更多資料    資料增強（Data Augmentation））

正則化（直接將權值的大小加入到 Cost 裡，在訓練的時候限制權值變大）

dropout:在訓練時，每次隨機（如50%概率）忽略隱層的某些節點；

2. 使用邏輯迴歸(Logistic Regression)對鳶尾花資料（多分類問題）進行預測，可以直接使用sklearn中的LR方法，並嘗試使用不同的引數，包括正則化的方法，正則項係數，求解優化器，以及將二分類模型轉化為多分類模型的方法。
獲取鳶尾花資料的方法：
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)

print(__doc__)


# Code source: Gaël Varoquaux
# Modified for documentation by Jaques Grobler
 

# License: BSD 3 clause

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, datasets

# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2]  # we only take the first two features.
Y = iris.target

h = .02  # step size in the mesh

logreg = linear_model.LogisticRegression(C=1e5)

# we create an instance of Neighbours Classifier and fit the data.
logreg.fit(X, Y)

# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, x_max]x[y_min, y_max].
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])

# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)

# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')

plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())

plt.show()