والتعلم المشرف هو نهج واسع الاستخدام للتعلم الآلي يشمل نماذج تدريبية على البيانات المسمّاة، غير أن الممارسين كثيرا ما يواجهون عقبات مشتركة يمكن أن تؤثر على أداء نماذجهم وموثوقيتها، ويمكن أن يساعد فهم هذه القضايا وتطبيق الحسابات المناسبة على التخفيف من أثرها.

التغليف المفرط وفوائده

ويحدث التفويض عندما يتعلم نموذج ما بيانات التدريب بشكل جيد جدا، بما في ذلك الضوضاء، مما يؤدي إلى تدني تعميم البيانات الجديدة، ويحدث الضعف عندما يكون النموذج بسيطا جدا لاستخلاص الأنماط الأساسية، ويمكن أن تساعد حسابات مثل معدلات خطأ التدريب والتثبت من صحة البيانات على تحديد هذه المسائل.

For example, comparing the training error (Etrain) and validation error (E]val) can indicate overfitting if Etrain] is very low while E

الرتبة

ويحدث اختلال التوازن في الصفوف عندما تكون بعض الفئات ممثلة تمثيلا ناقصا في مجموعة البيانات، مما يؤدي إلى نماذج متحيزة، ويساعد حساب النسب المئوية لتوزيع الفئات على تحديد الاختلال.

ويفترض أن مجموعة البيانات تضم 000 1 عينة، منها 900 عينة تنتمي إلى الصف ألف و100 في الصف باء.

الفئة ألف: (900/1000) 100 = 90 في المائة

الفئة باء: (100/1000) 100 = 10 في المائة

تقييم الأداء النموذجي

وتعد مقاييس مثل الدقة والدقة والتذكر والإطار من الفئة واو-1 أساسية أساسية أساسية لتقييم الأداء النموذجي، وتشمل الحسابات عناصر مصفوفة الارتباك:

  • إيجابيات حقيقية
  • False Positives (FP)
  • الزنوج الزعفران

فعلى سبيل المثال، يحسب الدقة على النحو التالي:

الدقة = TP/ (TP + FP)

معالجة بيانات Noisy

ويمكن أن تشوه البيانات المزعجة التدريب النموذجي، وتساعد الحسابات مثل نسبة الضوضاء إلى النسب على تحديد نوعية البيانات كميا.

افترض أن مجموعة البيانات تحتوي على 100 عينة مزعجة من مجموع 1000 عينة، ونسبة الضوضاء هي:

نسبة العينات = (عدد العينات المزعجة)/ (مجموع العينات) = 100 / 1000 = 0.1 أو 10٪