مدل های یادگیری فوق العاده برای پیش بینی بر اساس داده های برچسب شده استفاده می شود. دستیابی به تعادل بین بیش از حد و کمتر مناسب برای ایجاد مدل های موثر ضروری است.این مقاله این مفاهیم را بررسی می کند و استراتژی های طراحی را برای بهینه سازی عملکرد مدل ارائه می دهد.

Overexpable in Supervised Models

Overfit زمانی اتفاق می افتد که یک مدل اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا و غیر رسمی، در نتیجه، آن را ضعیف در داده های جدید و دیده نشده است.

دانلود بازی Supervised Models

کمبود زمانی اتفاق می افتد که یک مدل برای گرفتن الگوهای اساسی در داده ها بسیار ساده باشد، این امر منجر به عملکرد ضعیف در هر دو آموزش و مجموعه داده های تست می شود. مدل های تحت فرمان دارای سوگیری بالا و اختلاف های پایین هستند.

استراتژی ها برای جلوگیری از Overfit

  • اصلاح: تکنیک هایی مانند L1 و L2 مجازات را به پیچیدگی مدل اضافه می کنند.
  • اعتبار سنجی: [FLT 1] استفاده از مجموعه های اعتباری کمک می کند تا hyperparameters را تنظیم کرده و بیش از حد قابل تشخیص باشد.
  • اجرای: مدل های ساده سازی مانند درختان تصمیم پیچیدگی غیر ضروری را کاهش می دهد.
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱]] [۱۰] [۱]] آموزش های فروش قبل از مدل، داده ها را به طور کامل به دست می آورد.

استراتژی ها برای جلوگیری از عدم تناسب

  • پیچیدگی مدل سازی: [FLT 1] با استفاده از ویژگی های بیشتر یا الگوریتم های پیچیده.
  • مهندسی مواد: ایجاد ویژگی های جدید برای نشان دادن الگوهای داده بهتر است.
  • اصلاح منظم: [FLT 1] حداقل مجازات هایی که انعطاف پذیری مدل را محدود می کنند.