یادگیری فوق العاده یک رویکرد یادگیری ماشین است که شامل مدل های آموزشی بر روی داده های برچسب شده است، اما تمرین کنندگان اغلب با مشکلات رایج مواجه می شوند که می توانند عملکرد و قابلیت اطمینان مدل های خود را تحت تاثیر قرار دهند. درک این مسائل و اعمال محاسبات مناسب می تواند به کاهش تاثیر آنها کمک کند.

Overfit و Underfit

Overfit زمانی اتفاق می افتد که یک مدل اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا، که منجر به تعمیم ضعیف در داده های جدید می شود، زمانی که مدل بسیار ساده برای گرفتن الگوهای اساسی است. Calculations مانند آموزش و اعتبار سنجی خطا نرخ می تواند به شناسایی این مسائل کمک کند.

برای مثال، مقایسه خطای آموزشی (E و خطای اعتباری (E می تواند بیش از حد قابل توجه باشد اگر E بسیار کم است، در حالی که val [F] [F7] [F= [2] [به شدت خطا می کند.

تعادل کلاس Im Balance

عدم تعادل کلاس زمانی اتفاق می افتد که برخی از کلاس ها در مجموعه داده ها کم نشان داده شوند و منجر به مدل های پیش فرض می شوند. درصد توزیع کلاس به شناسایی عدم تعادل کمک می کند.

فرض کنید مجموعه داده ها دارای 1000 نمونه است، با 900 متعلق به کلاس A و 100 به کلاس B. درصد توزیع کلاس عبارتند از:

کلاس A: (900/1000) 100 = 90٪

کلاس B: (100/1000)

ارزیابی عملکرد مدل

متریک هایی مانند دقت، دقت، یادآوری و F1score برای ارزیابی عملکرد مدل ضروری هستند. Calculations شامل اجزای ماتریس سردرگمی است:

  • مثبت واقعی (TP)
  • مثبت کاذب (FP)
  • منفی کاذب (FN)

به عنوان مثال، دقت به عنوان:

TP = TP / (TP + FP)

مدیریت داده های Noisy

داده های نوسی می توانند آموزش مدل را تحریف کنند. Calculations مانند نسبت نویز به علامت گذاری کمک می کند تا کیفیت داده ها را مشخص کند.

فرض کنید مجموعه داده ها شامل 100 نمونه پر سر و صدا از 1000 نمونه کامل است. نسبت نویز این است:

نسبت نویز = (شماره نمونه های پر سر و صدا) / (مجموع نمونه) = 100 / 1000 = 0.1 یا 10٪