Ինչպե՞ս գիտեք, որ ձեր մոդելը գերազանցում է:

2024 Հեղինակ: Lynn Donovan | [email protected]. Վերջին փոփոխված: 2023-12-15 23:48

Գերհարմարեցում կասկածվում է, երբ մոդել ճշգրտությունը բարձր է ուսուցման ընթացքում օգտագործվող տվյալների նկատմամբ մոդել բայց զգալիորեն նվազում է նոր տվյալների հետ: Արդյունավետորեն մոդելը գիտի վերապատրաստման տվյալները լավ են, բայց չեն ընդհանրացնում: Սա ստիպում է մոդել անօգուտ նպատակների համար, ինչպիսիք են կանխատեսումը:

Նաև գիտեք, թե ինչ անել, եթե մոդելը գերազանցում է:

Գերհամապատասխանեցում

1. Նվազեցրեք ցանցի հզորությունը՝ հեռացնելով շերտերը կամ նվազեցնելով թաքնված շերտերի տարրերի քանակը:
2. Կիրառեք կանոնավորացում, որը հանգում է նրան, որ մեծ կշիռների համար կորստի ֆունկցիայի վրա ծախս կա:
3. Օգտագործեք Dropout շերտերը, որոնք պատահականորեն կհեռացնեն որոշ առանձնահատկություններ՝ սահմանելով դրանք զրոյի:

Կարելի է նաև հարցնել, թե ինչն է որոշումների ծառի չափից ավելի հարմարեցումը: Չափից շատ հարմարեցված Դա այն երևույթն է, երբ ուսուցման համակարգն այնքան է համապատասխանում տվյալ վերապատրաստման տվյալներին, որ այն անճշգրիտ կլինի չմարզված տվյալների արդյունքները կանխատեսելիս: Մեջ որոշման ծառեր , չափից ավելի հարմարեցում տեղի է ունենում, երբ ծառ նախագծված է այնպես, որ կատարյալ տեղավորվի բոլոր նմուշները վերապատրաստման տվյալների հավաքածուում:

Բացի այդ, ինչն է առաջացնում մոդելի գերհագեցում:

Գերհարմարեցում տեղի է ունենում, երբ ա մոդել սովորում է մանրամասները և աղմուկը վերապատրաստման տվյալների մեջ այնքանով, որքանով դա բացասաբար է անդրադառնում վերապատրաստման աշխատանքի վրա մոդել նոր տվյալների վրա։ Սա նշանակում է, որ վերապատրաստման տվյալների աղմուկը կամ պատահական տատանումները վերցվում և սովորվում են որպես հասկացություններ մոդել.

Ինչպե՞ս իմանամ Underfitting-ը:

Ներքևում գտնվող մոդելը տեղավորվում է, երբ այն չափազանց պարզ է այն տվյալների հետ կապված, որը փորձում է մոդելավորել: Մեկը հայտնաբերելու միջոց Նման իրավիճակում կարելի է օգտագործել կողմնակալության-տարբերակման մոտեցումը, որը կարող է ներկայացվել այսպես.