Table of Contents
Overfit زمانی اتفاق می افتد که یک مدل یادگیری ماشینی اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا و غیرکلامی، که توانایی آن را برای تعمیم به داده های جدید کاهش می دهد. Detecting و جلوگیری از بیش از حد برای توسعه مدل های قوی ضروری است.
نشانه های بیش از حد
Overfit اغلب با تفاوت قابل توجهی بین آموزش و عملکرد اعتبار سنجی نشان داده می شود، زمانی که یک مدل به طور استثنایی در داده های آموزشی عملکرد خوبی دارد اما در داده های دیده نشده ضعیف است، احتمالا بیش از حد قابل توجه است.
تکنیک های Detect Overfit
نظارت بر عملکرد مدل بر مجموعه داده های اعتباری کمک می کند تا روش های رایج بیش از حد را شناسایی کنید:
- آموزش و دقت اعتبار در دوره های زمانی
- ارزیابی معیارهای عملکرد در داده های تست جداگانه
- استفاده از تکنیک های متقابل-validation
استراتژی ها برای جلوگیری از Overfit
اقدامات پیشگیرانه به بهبود تعمیم مدل کمک می کند. استراتژی های کلیدی شامل:
- بازگشت به جرم: [FLT 1] اعمال مجازات برای مدل سازی پیچیدگی، مانند L1 یا L2 منظم سازی.
- [[۱]:۱۰] [[۱۰]] [[۱۰]]]: [[۱۰]]] با حذف شاخه هایی که به طور قابل توجهی کمک نمی کنند، درختان تصمیم گیری را ساده کنید.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰]] [۱]] [۱۰] [۱] [۱]] [۱۰] [۱]] [۱] [۱۰] [۱]] [۱۰] [۱]] [۱۰] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] آموزش های [۲] در هنگام بهبود عملکرد اعتبار، [۹]
- تقویت داده ها: افزایش تنوع داده ها برای کاهش بیش از حد.
- Dropout: به طور تصادفی از نورون ها در طول آموزش در شبکه های عصبی جدا می شود.