Πίνακας περιεχομένων:

Πώς ξέρετε ότι το μοντέλο σας είναι Overfitting;
Πώς ξέρετε ότι το μοντέλο σας είναι Overfitting;

Βίντεο: Πώς ξέρετε ότι το μοντέλο σας είναι Overfitting;

Βίντεο: Πώς ξέρετε ότι το μοντέλο σας είναι Overfitting;
Βίντεο: Τι *είναι* όμως ένα Νευρωνικό Δίκτυο; | Deep learning, κεφάλαιο 1 2024, Νοέμβριος
Anonim

Υπερβολική τοποθέτηση είναι ύποπτο όταν το μοντέλο η ακρίβεια είναι υψηλή σε σχέση με τα δεδομένα που χρησιμοποιούνται στην εκπαίδευση του μοντέλο αλλά πέφτει σημαντικά με νέα δεδομένα. Ουσιαστικά το το μοντέλο ξέρει τα δεδομένα εκπαίδευσης καλά αλλά δεν γενικεύουν. Αυτό κάνει το μοντέλο άχρηστο για σκοπούς όπως η πρόβλεψη.

Επίσης, ξέρετε τι πρέπει να κάνετε εάν το μοντέλο είναι Overfitting;

Χειρισμός υπερπροσαρμογής

  1. Μειώστε τη χωρητικότητα του δικτύου αφαιρώντας επίπεδα ή μειώνοντας τον αριθμό των στοιχείων στα κρυφά επίπεδα.
  2. Εφαρμόστε τακτοποίηση, η οποία καταλήγει στην προσθήκη κόστους στη συνάρτηση απώλειας για μεγάλα βάρη.
  3. Χρησιμοποιήστε επίπεδα εγκατάλειψης, τα οποία θα αφαιρέσουν τυχαία ορισμένες λειτουργίες θέτοντας τις στο μηδέν.

Κάποιος μπορεί επίσης να ρωτήσει, τι είναι η υπερπροσαρμογή στο δέντρο αποφάσεων; Υπερβολική εφαρμογή είναι το φαινόμενο κατά το οποίο το σύστημα εκμάθησης ταιριάζει στενά στα δεδομένα εκπαίδευσης τόσο πολύ που θα ήταν ανακριβές στην πρόβλεψη των αποτελεσμάτων των μη εκπαιδευμένων δεδομένων. Σε δέντρα απόφασης , υπερβολική εφαρμογή εμφανίζεται όταν το δέντρο έχει σχεδιαστεί έτσι ώστε να χωράει τέλεια όλα τα δείγματα στο σύνολο δεδομένων εκπαίδευσης.

Επιπλέον, τι προκαλεί την υπερβολική προσαρμογή του μοντέλου;

Υπερβολική τοποθέτηση συμβαίνει όταν α μοντέλο μαθαίνει τις λεπτομέρειες και τον θόρυβο στα δεδομένα εκπαίδευσης στο βαθμό που επηρεάζει αρνητικά την απόδοση του μοντέλο σε νέα δεδομένα. Αυτό σημαίνει ότι ο θόρυβος ή οι τυχαίες διακυμάνσεις στα δεδομένα εκπαίδευσης συλλέγονται και μαθαίνονται ως έννοιες από το μοντέλο.

Πώς ξέρω το Underfitting;

Ένα μοντέλο κάτω ταιριάζει όταν είναι πολύ απλό σε σχέση με τα δεδομένα που προσπαθεί να μοντελοποιήσει. Ενας τρόπος ανίχνευσης Μια τέτοια περίπτωση είναι να χρησιμοποιήσετε την προσέγγιση μεροληψίας-διακύμανσης, η οποία μπορεί να αναπαρασταθεί ως εξής: Το μοντέλο σας δεν είναι κατάλληλο όταν έχετε υψηλή μεροληψία.

Συνιστάται: