Kuidas aru saada, et teie mudel sobib liiga palju?

2024 Autor: Lynn Donovan | [email protected]. Viimati modifitseeritud: 2023-12-15 23:45

Ülesobitamine kahtlustatakse, kui mudel täpsus on koolitusel kasutatud andmete suhtes kõrge mudel kuid väheneb uute andmetega oluliselt. Tõhusalt modell teab treeninguandmed hästi, kuid ei üldista. See muudab mudel kasutu sellistel eesmärkidel nagu ennustamine.

Samuti teadke, mida teha, kui mudelil on liigne sobivus?

Ülepaigaldamisega tegelemine

1. Vähendage võrgu mahtuvust, eemaldades kihte või vähendades peidetud kihtides olevate elementide arvu.
2. Rakendage reguleerimist, mis taandub suurte raskuste kaotamise funktsioonile kulu lisamisele.
3. Kasutage väljalangemise kihte, mis eemaldavad juhuslikult teatud funktsioonid, määrates need nulli.

Võib ka küsida, mis on otsustuspuus liialdamine? Liiga sobiv on nähtus, mille puhul õppesüsteem sobitub antud treeningandmetega nii tihedalt, et see oleks ebatäpne treenimata andmete tulemuste ennustamisel. sisse otsustuspuud , liigne istuvus tekib siis, kui puu on loodud nii, et see sobiks ideaalselt kõik näidised treeningandmete komplektis.

Lisaks, mis põhjustab mudeli ülepaigutamist?

Ülesobitamine juhtub siis, kui a mudel õpib tundma treeningandmete üksikasju ja müra sel määral, kuivõrd see mõjutab negatiivselt seadme jõudlust mudel uute andmete kohta. See tähendab, et treeningandmete müra või juhuslikud kõikumised koguvad ja õpivad neid mõistetena. mudel.

Kuidas ma tean Underfittingut?

Allolev mudel sobib siis, kui see on modelleeritavate andmete osas liiga lihtne. Üks viis tuvastada selline olukord on kasutada nihke-variatsiooni lähenemisviisi, mida saab esitada järgmiselt: teie mudel on alasobitatud, kui teil on suur nihe.