Table of Contents
مدل های یادگیری ماشین می توانند با موضوعاتی مانند Overfit و underfit مواجه شوند که بر عملکرد آنها تأثیر می گذارد. عیب یابی این مشکلات شامل درک علل و استفاده از راه حل های مناسب برای بهبود دقت مدل و تعمیم است.
درک بیش از حد و زیر پوشش
Overfit زمانی اتفاق می افتد که یک مدل اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا و غیرکلامی، که منجر به عملکرد ضعیف در داده های جدید می شود، زمانی که یک مدل برای گرفتن الگوهای اساسی بسیار ساده است، و منجر به دقت پایین در هر دو آموزش و آزمایش داده ها می شود.
نشانه های بیش از حد و زیر پوشش
شاخص های Overfit شامل دقت آموزش بالا اما دقت تست پایین است.درخشن با هر دو آموزش و تست accuracies پایین و مشابه است.
استراتژی های برای رسیدگی به Overfit
- regularization: [FLT 1] تکنیک هایی مانند L1 یا L2 را برای مجازات مدل های پیچیده اعمال کنید.
- اجرای: سیمینگ مدل را با حذف پارامترهای غیر ضروری یا ویژگی های.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱]] [۱۰] [۱]] [۱] [۱۰]] [۱] از طرح های اعتباری برای تنظیم هیپرپارمتر استفاده کنید و از بیش از حد جلوگیری کنید.
- توقف: آموزش هالت در هنگام عملکرد در داده های اعتباری شروع به کاهش می کند.
استراتژی های برای رسیدگی به زیر پوشش
- پیچیدگی مدل Increase: [FLT 1] از الگوریتم های پیشرفته تر استفاده کنید یا ویژگی های اضافه کنید.
- مهندسی لوازم جانبی: [FLT 1] ایجاد یا انتخاب ویژگی های مرتبط تر.
- مرتب سازی: [FLT 1] کاهش قدرت منظم سازی برای اجازه دادن به مدل برای مناسب تر داده ها.