Cuprins:

De unde știi că modelul tău este Overfitting?
De unde știi că modelul tău este Overfitting?

Video: De unde știi că modelul tău este Overfitting?

Video: De unde știi că modelul tău este Overfitting?
Video: Solve your model’s overfitting and underfitting problems - Pt.1 (Coding TensorFlow) 2024, Noiembrie
Anonim

Supramontare este suspect atunci când model acuratețea este mare în ceea ce privește datele utilizate în antrenamentul model dar scade semnificativ cu datele noi. Efectiv cel modelul stie datele de antrenament sunt bine dar nu se generalizează. Acest lucru face ca model inutil în scopuri precum predicția.

De asemenea, știți, ce să faceți dacă modelul este Overfitting?

Manipularea supraajustării

  1. Reduceți capacitatea rețelei prin eliminarea straturilor sau reducerea numărului de elemente din straturile ascunse.
  2. Aplicați regularizarea, care se reduce la adăugarea unui cost la funcția de pierdere pentru greutăți mari.
  3. Folosiți straturi de abandon, care vor elimina aleatoriu anumite caracteristici, setându-le la zero.

De asemenea, cineva se poate întreba, ce este supraadaptarea în arborele de decizie? Suprapotrivire este fenomenul în care sistemul de învățare se potrivește atât de mult cu datele de antrenament date încât ar fi inexact în prezicerea rezultatelor datelor neantrenate. În arbori de decizie , suprapotrivire apare atunci când copac este conceput astfel încât să se potrivească perfect tuturor mostrelor din setul de date de antrenament.

În plus, ce cauzează supraadaptarea modelului?

Supramontare se întâmplă când a model învață detaliile și zgomotul din datele de antrenament în măsura în care influențează negativ performanța model pe date noi. Aceasta înseamnă că zgomotul sau fluctuațiile aleatorii ale datelor de antrenament sunt preluate și învățate ca concepte de către model.

De unde știu Underfitting?

Un model sub se potrivește atunci când este prea simplu în ceea ce privește datele pe care încearcă să le modeleze. unu mod de a detecta o astfel de situație este să folosiți abordarea bias-variance, care poate fi reprezentată astfel: modelul dvs. este sub-adaptat atunci când aveți o părtinire mare.

Recomandat: