Kazalo:

Kako veste, da je vaš model overfitting?
Kako veste, da je vaš model overfitting?

Video: Kako veste, da je vaš model overfitting?

Video: Kako veste, da je vaš model overfitting?
Video: ЛЮБОВЬ С ДОСТАВКОЙ НА ДОМ (2020). Романтическая комедия. Хит 2024, April
Anonim

Prekomerno opremljanje je sumljivo, ko model natančnost je visoka glede na podatke, uporabljene pri usposabljanju model vendar se z novimi podatki znatno zmanjša. Učinkovito model ve podatki o usposabljanju so dobri, vendar ne posplošujejo. To naredi model neuporabna za namene, kot je napovedovanje.

Prav tako veste, kaj storiti, če je model Overfitting?

Ravnanje s prekomerno opremljanjem

  1. Zmanjšajte zmogljivost omrežja tako, da odstranite plasti ali zmanjšate število elementov v skritih slojih.
  2. Uporabite regularizacijo, kar pomeni, da dodate strošek funkciji izgube za velike uteži.
  3. Uporabite sloje Dropout, ki bodo naključno odstranili določene funkcije tako, da jih nastavite na nič.

Lahko se tudi vprašamo, kaj je preobremenjenost v drevesu odločanja? Prekomerno prileganje je pojav, pri katerem se učni sistem tako tesno prilega danim podatkom usposabljanja, da bi bilo netočno pri napovedovanju rezultatov neusposobljenih podatkov. V odločitvena drevesa , prekomerno prileganje nastane, ko se drevo je zasnovan tako, da se popolnoma prilega vsem vzorcem v naboru podatkov za usposabljanje.

Poleg tega, kaj povzroča prekomerno opremljanje modela?

Prekomerno opremljanje se zgodi, ko a model se nauči podrobnosti in hrupa v podatkih o vadbi do te mere, da negativno vpliva na uspešnost model na novih podatkih. To pomeni, da hrup ali naključna nihanja v podatkih o vadbi ujamejo in se naučijo kot koncepte s strani model.

Kako vem o premajhni opremi?

Model ne ustreza, ko je preveč preprost glede na podatke, ki jih poskuša modelirati. eno način odkrivanja taka situacija je uporaba pristopa pristranskosti, ki ga lahko predstavimo takole: Vaš model je premalo opremljen, ko imate veliko pristranskost.

Priporočena: