สารบัญ:
2025 ผู้เขียน: Lynn Donovan | [email protected]. แก้ไขล่าสุด: 2025-01-22 17:42
ฟิตเกินไป เป็นที่สงสัยเมื่อ แบบอย่าง มีความแม่นยำสูงเมื่อเทียบกับข้อมูลที่ใช้ในการฝึกอบรม แบบอย่าง แต่ลดลงอย่างมากด้วยข้อมูลใหม่ อย่างมีประสิทธิภาพ นางแบบรู้ ข้อมูลการฝึกได้ดีแต่ไม่ทั่วถึง สิ่งนี้ทำให้ แบบอย่าง ไร้ประโยชน์สำหรับวัตถุประสงค์เช่นการทำนาย
รู้ยัง จะทำอย่างไรถ้าโมเดล Overfitting?
การจัดการกับการสวมใส่มากเกินไป
- ลดความจุของเครือข่ายโดยการลบเลเยอร์หรือลดจำนวนองค์ประกอบในเลเยอร์ที่ซ่อนอยู่
- ใช้การทำให้เป็นมาตรฐานซึ่งลงมาเพื่อเพิ่มต้นทุนให้กับฟังก์ชันการสูญเสียสำหรับตุ้มน้ำหนักขนาดใหญ่
- ใช้เลเยอร์ Dropout ซึ่งจะสุ่มลบคุณสมบัติบางอย่างโดยตั้งค่าให้เป็นศูนย์
อาจมีคนถามว่า อะไรเกินพอดีในโครงสร้างการตัดสินใจ? ฟิตเกินไป เป็นปรากฏการณ์ที่ระบบการเรียนรู้สอดคล้องกับข้อมูลการฝึกที่กำหนดมากจนอาจคาดการณ์ผลลัพธ์ของข้อมูลที่ไม่ได้รับการฝึกได้ไม่ถูกต้อง ใน ต้นไม้ตัดสินใจ , ฟิตเกินไป เกิดขึ้นเมื่อ ต้นไม้ ได้รับการออกแบบมาเพื่อให้พอดีกับตัวอย่างทั้งหมดในชุดข้อมูลการฝึกอบรม
นอกจากนี้ อะไรทำให้เกิดโมเดล Overfitting?
ฟิตเกินไป เกิดขึ้นเมื่อ a แบบอย่าง เรียนรู้รายละเอียดและเสียงรบกวนในข้อมูลการฝึกอบรมในขอบเขตที่ส่งผลเสียต่อประสิทธิภาพของ แบบอย่าง เกี่ยวกับข้อมูลใหม่ ซึ่งหมายความว่าเสียงหรือความผันผวนแบบสุ่มในข้อมูลการฝึกอบรมจะถูกหยิบขึ้นมาและเรียนรู้เป็นแนวคิดโดย แบบอย่าง.
ฉันจะรู้ได้อย่างไรว่า Underfitting?
โมเดลที่อยู่ภายใต้พอดีเมื่อมันง่ายเกินไปเกี่ยวกับข้อมูลที่พยายามสร้างโมเดล หนึ่ง วิธีการตรวจจับ สถานการณ์ดังกล่าวคือการใช้แนวทางความแปรปรวนอคติ ซึ่งสามารถแสดงได้ดังนี้ โมเดลของคุณไม่พอดีเมื่อคุณมีความเอนเอียงสูง