كيفية حساب الإفراط في الملاءمة وتفويض القياسات من أجل التقييم النموذجي

ويعد فهم الملاءمة المفرطة والضعف في الملاءمة أمرا أساسيا لتقييم نماذج التعلم الآلات، وتساعد هذه المفاهيم على تحديد مدى تعميم نموذج على البيانات غير المنظورة، ويوفر حساب القياسات ذات الصلة معلومات عن الأداء النموذجي ويسترشد بها في التحسينات.

التكفير في المطاعم

ويحدث تجاوز في الملاءمة عندما يؤدي نموذج ما أداء جيداً في بيانات التدريب، ولكن لا يفي بالغرض من البيانات الجديدة، وتشمل القياسات المشتركة لكشف المبالغة في الملاءمة ما يلي:

• Training vs. Validation Error:] A large gap indicates overfitting.
• تدابير التساهل: ] مثل عدد البارامترات المتعلقة بنقاط البيانات.
• Cross-Validation Scores:] Significantly higher training scores compared to validation scores suggest overfitting.

نقص المطبات

ويحدث نقص في الملاءمة عندما يكون النموذج بسيطا جدا لاستخلاص أنماط البيانات الأساسية، وتشمل القياسات التي تشير إلى نقص الملاءمة ما يلي:

• High Error on both Training and Validation Sets:] Indicates the model is too simplistic.
• Low Model Complexity:] such as very few features or parameters.
• Consistent Poor Performance:] Across training and validation data.

مقاييس حسابية

وتشمل القياسات المشتركة المستخدمة الدقة والدقيق والتذكر والسجلات من الفئة واو-1، ومن أجل تقييم المبالغة في الملاءمة أو النقص في الملاءمة، مقارنة هذه القياسات عبر مجموعات بيانات التدريب والتحقق، ويشير تفاوت كبير إلى المبالغة في الاستفادة، في حين تشير المعدلات المنخفضة بشكل موحد إلى نقص في الملاءمة.

ويساعد استخدام نظام تبادل المعلومات في تقييم استقرار النموذج، إذ يوفر حساب متوسط الأداء عبر عدة طيور تقديرا أكثر موثوقية لكيفية أداء النموذج على البيانات غير المنظورة.