Satura rādītājs:

Kā jūs zināt, ka jūsu modelis ir pārāk piemērots?
Kā jūs zināt, ka jūsu modelis ir pārāk piemērots?

Video: Kā jūs zināt, ka jūsu modelis ir pārāk piemērots?

Video: Kā jūs zināt, ka jūsu modelis ir pārāk piemērots?
Video: Seminārs "Aktualitātes ekonomikā" 2023 | vasara 2024, Maijs
Anonim

Pārmērīga pielāgošana ir aizdomas, kad modelis Precizitāte ir augsta attiecībā uz apmācībā izmantotajiem datiem modelis bet ievērojami samazinās līdz ar jauniem datiem. Efektīvi, modelis zina apmācības dati ir labi, bet ne vispārina. Tas padara modelis nederīgi tādiem mērķiem kā prognozēšana.

Ziniet arī, ko darīt, ja modelis ir pārāk piemērots?

Pārmērīga uzstādīšana

  1. Samaziniet tīkla jaudu, noņemot slāņus vai samazinot elementu skaitu slēptajos slāņos.
  2. Lietojiet regularizāciju, kas nozīmē, ka liela svara zaudēšanas funkcijai tiek pievienotas izmaksas.
  3. Izmantojiet atmešanas slāņus, kas nejauši noņems noteiktas funkcijas, iestatot tās uz nulli.

Var arī jautāt, kas lēmumu kokā ir pārāk piemērots? Pārāk pieguļošs ir parādība, kurā mācību sistēma tik cieši iekļaujas dotajiem apmācības datiem, ka tā būtu neprecīza, prognozējot neapmācīto datu rezultātus. In lēmumu koki , pārlieku pieguļošs rodas, kad koks ir izstrādāts tā, lai lieliski atbilstu visiem apmācības datu kopas paraugiem.

Turklāt, kas izraisa modeļa pārmērīgu aprīkošanu?

Pārmērīga pielāgošana notiek, kad a modelis apgūst apmācības datu detaļas un troksni, ciktāl tas negatīvi ietekmē ierīces veiktspēju modelis par jauniem datiem. Tas nozīmē, ka apmācības datu troksnis vai nejaušās svārstības tiek uztvertas un apgūtas kā jēdzieni. modelis.

Kā es varu zināt Underfitting?

Zemāk esošais modelis ir piemērots, ja tas ir pārāk vienkāršs attiecībā uz datiem, ko tas mēģina modelēt. Viens veids, kā atklāt šādā situācijā ir jāizmanto novirzes-dispersijas pieeja, ko var attēlot šādi: Jūsu modelis ir nepietiekami pielāgots, ja jums ir liela novirze.

Ieteicams: