Sisällysluettelo:

Mistä tiedät, että mallisi on overfitting?
Mistä tiedät, että mallisi on overfitting?

Video: Mistä tiedät, että mallisi on overfitting?

Video: Mistä tiedät, että mallisi on overfitting?
Video: Mistä tietää, että piilolinssi on oikeinpäin? #Someoptikko #Instrumentarium 2024, Saattaa
Anonim

Ylisovitus on epäilty, kun malli - tarkkuus on korkea suhteessa koulutuksessa käytettyihin tietoihin malli - mutta laskee merkittävästi uusien tietojen myötä. Tehokkaasti malli tietää harjoitustiedot hyvin, mutta eivät yleistä. Tämä tekee malli - hyödytöntä esimerkiksi ennustamiseen.

Tiedä myös, mitä tehdä, jos malli on Overfitting?

Yliasennusten käsittely

  1. Vähennä verkon kapasiteettia poistamalla tasoja tai vähentämällä piilotettujen kerrosten elementtien määrää.
  2. Käytä regularisointia, mikä merkitsee kustannusten lisäämistä suurten painojen häviöfunktioon.
  3. Käytä Dropout-tasoja, jotka poistavat satunnaisesti tietyt ominaisuudet asettamalla ne nollaan.

Voidaan myös kysyä, mikä on ylisovitus päätöspuussa? Liian istuva on ilmiö, jossa oppimisjärjestelmä sopii tiukasti annettuun harjoitusdataan niin paljon, että se olisi epätarkka ennustamaan kouluttamattoman datan tuloksia. Sisään päätöspuut , liiallinen istuvuus tapahtuu, kun puu on suunniteltu niin, että se sopii täydellisesti kaikkiin harjoitustietojoukon näytteet.

Lisäksi, mikä aiheuttaa mallin liiallista sovittamista?

Ylisovitus tapahtuu kun a malli - oppii harjoitustietojen yksityiskohdat ja melun siinä määrin, että se vaikuttaa negatiivisesti järjestelmän suorituskykyyn malli - uusilla tiedoilla. Tämä tarkoittaa, että koulutusdatan kohina tai satunnaiset vaihtelut poimitaan ja opitaan käsitteinä. malli -.

Mistä tiedän Underfittingin?

Alla oleva malli sopii, kun se on liian yksinkertainen mallinnettavien tietojen suhteen. Yksi tapa havaita tällainen tilanne on käyttää bias-varianssi-lähestymistapaa, joka voidaan esittää näin: Mallisi on aliasovitettu, kun sinulla on suuri bias.

Suositeltava: