Turinys:

Kaip žinoti, kad jūsų modelis per daug tinka?
Kaip žinoti, kad jūsų modelis per daug tinka?

Video: Kaip žinoti, kad jūsų modelis per daug tinka?

Video: Kaip žinoti, kad jūsų modelis per daug tinka?
Video: Belaidžių ausinių apžvalga: kuris iš šių 5 modelių jums tinka labiausiai? 2024, Balandis
Anonim

Pernelyg pritaikymas yra įtariamas, kai modelis tikslumas yra didelis, palyginti su treniruotėje naudojamomis duomenimis modelis tačiau su naujais duomenimis gerokai sumažėja. Efektyviai modelis žino treniruočių duomenys gerai, bet neapibendrinami. Tai daro modelis nenaudingas tokiems tikslams kaip numatymas.

Taip pat žinokite, ką daryti, jei modelis yra pernelyg pritaikytas?

Perdozavimo valdymas

  1. Sumažinkite tinklo pajėgumą pašalindami sluoksnius arba sumažindami elementų skaičių paslėptuose sluoksniuose.
  2. Taikykite sureguliavimą, kuris sumažina didelių svorių praradimo funkciją.
  3. Naudokite „Dropout“sluoksnius, kurie atsitiktinai pašalins tam tikras funkcijas, nustatydami jas į nulį.

Taip pat galima paklausti, kas per daug tinka sprendimų medyje? Pernelyg tinkamas yra reiškinys, kai mokymosi sistema taip stipriai pritaiko pateiktus mokymo duomenis, kad būtų netikslūs numatant neapmokytų duomenų rezultatus. Į sprendimų medžiai , perdėtas atsiranda, kai medis sukurtas taip, kad puikiai atitiktų visus treniruočių duomenų rinkinio pavyzdžius.

Be to, kas sukelia modelio permontavimą?

Pernelyg pritaikymas atsitinka, kai a modelis išmoksta mokymo duomenų detalumo ir triukšmo tiek, kiek tai neigiamai veikia treniruotės veikimą modelis apie naujus duomenis. Tai reiškia, kad triukšmą arba atsitiktinius treniruočių duomenų svyravimus fiksuoja ir išmoksta kaip sąvokas. modelis.

Kaip sužinoti Underfitting?

Žemiau esantis modelis tinka, kai jis yra per paprastas bandomų modeliuoti duomenų atžvilgiu. Vienas būdas aptikti tokia situacija yra šališkumo ir dispersijos metodo naudojimas, kurį galima pavaizduoti taip: Jūsų modelis yra nepakankamai pritaikytas, kai turite didelį poslinkį.

Rekomenduojamas: