ويحدث التكتم عندما تتعلم شبكة عصبية بيانات التدريب بشكل جيد جدا، بما في ذلك الضوضاء والمخارج، مما يقلل من قدرتها على تعميم البيانات الجديدة، ويستلزم التشويش المفرط تحديد العلامات وتطبيق التقنيات لتحسين الأداء النموذجي على البيانات غير المنظورة.

علامات على الملاءمة المفرطة

وتشمل المؤشرات المشتركة دقة عالية للتدريب مقترنة بدقّة أقل بكثير في التحقق، وبالإضافة إلى ذلك، لا تزال خسارة التدريب في انخفاضها في حين أن الهضبة أو الزيادات في الخسائر في المصادقة.

التقنيات اللازمة لتجاوز الملاءمة

ويمكن أن تساعد عدة أساليب على الحد من المغالاة في استخدام الشبكات العصبية:

  • Regularization:] Add a penalty to the loss function to discourage complex models, such as L1 or L2 regularization.
  • Dropout:] Randomly disables neurons during training to prevent co-adaptation.
  • Early stopping:] stops training when validation performance begins to decline.
  • Data Augmentation:] Increases the diversity of training data through transformations.
  • Reducing Model Complexity:] Uses simpler structures with fewer parameters.

الحسابات والمقاييس

إن رصد القياسات مثل فقدان المصادقة والدقة يساعد على تحديد المبالغة في القيمة، فالحسابات مثل الفرق بين التدريب والدقة في التحقق يمكن أن تقيّم مدى الشدة التي تفوق قيمتها، وتوفر عملية التكافل تقديرا أقوى للتعميم النموذجي.