یادگیری فوق العاده یک رویکرد یادگیری ماشین محبوب است که شامل مدل های آموزشی در داده های برچسب شده است، با این حال، تمرین کنندگان اغلب با اشتباهات رایج مواجه می شوند که می توانند عملکرد مدل را تشخیص دهند و درک کنند که چگونه از آنها جلوگیری کنند می توانند نتایج را بهبود بخشند و نتایج قابل اعتمادتری را تضمین کنند.

Overfit و Underfit

Overfit زمانی اتفاق می افتد که یک مدل اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا و outliers، که توانایی آن را برای تعمیم به داده های جدید کاهش می دهد، زمانی که یک مدل بسیار ساده برای گرفتن الگوهای اساسی است.

در داده های ناقص و کلاس های تعادلی

داشتن اطلاعات بسیار کم می تواند مانع از یادگیری الگوهای معنی دار شود، علاوه بر این، کلاس های عدم تعادل، که در آن یک کلاس به طور قابل توجهی از دیگران تجاوز می کند، می تواند مدل را به سمت کلاس اکثریت سوق دهد. پرداختن به این مسائل شامل جمع آوری داده های بیشتر یا استفاده از تکنیک هایی مانند resampling یا وزن کلاس است.

دانلود فیلم Pre Processing

پیش پردازش داده ها برای تمیز کردن و تبدیل داده های خام به یک فرمت مناسب برای آموزش ضروری است. گام های غفلت مانند عادی سازی، مدیریت ارزش های از دست رفته یا رمزگذاری متغیرهای کاتالیک می توانند منجر به عملکرد مدل زیر بهینه شوند.

استراتژی های مشترک برای جلوگیری از اشتباهات

  • از متقابل-validation برای ارزیابی عملکرد مدل استفاده کنید.
  • استفاده از مهندسی ویژگی برای بهبود کیفیت داده ها.
  • مجموعه داده های تعادل با تکنیک های resampling
  • به طور منظم hyperparameters را تنظیم کنید تا از Overfit جلوگیری شود.
  • نظارت بر آموزش و معیارهای اعتبار برای نشانه های کم و یا بیش از حد.