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 انجام خوب در داده های جدید و ناشناخته کاهش می دهد، برای ایجاد مدل هایی که به طور موثر در مورد تکنیک های رایج و محاسبات مورد استفاده برای عیب یابی و کاهش بیش از حد ضروری است.

شناسایی Overfit

Overfit را می توان با مقایسه عملکرد مدل در آموزش و داده های اعتبار سنجی تشخیص داد.اگر مدل به طور قابل توجهی در داده های آموزشی بهتر از داده های اعتباری عمل کند، به احتمال زیاد Overfit اتفاق می افتد. شاخص های کلیدی شامل دقت آموزش بالا و دقت پایین است.

تکنیک های کاهش Overfit

چندین روش می تواند به جلوگیری از بیش از حد کمک کند، از جمله:

  • [[۱] [۱۰]: [[۱۰] [۱] [۱]] [۱]] [۱]] مجازاتی برای از دست دادن تابع برای دلسرد کردن مدل های پیچیده اضافه می کند.
  • Dropout: به طور تصادفی واحدهای را در طول آموزش برای کاهش وابستگی به نورون های خاص کاهش می دهد.
  • [در این باره]: [[۱]] [۱۰] [۱] [۱]] [۱]] آموزش را متوقف کنید، زمانی که عملکرد اعتبار شروع به کاهش می کند.
  • اطلاع رسانی: اندازه داده ها را با ایجاد نسخه های اصلاح شده از داده های موجود افزایش می دهد.
  • مدل سیم پیچ و خم کردن: [FLT 1] از پارامترهای کمتری یا الگوریتم های ساده تر استفاده می کند.

محاسبه برای ارزیابی مدل

متریک هایی مانند از دست دادن اعتبار و دقت برای ارزیابی بیش از حد ضروری هستند. Calculations شامل:

  • [در این باره]: [[۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱۰] [۱]] [۱] [۱] [۱۰] [۱]] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]]]]]] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]] دقت آموزش دقیق آموزش دقیق و دقت آموزش دقیق [۹]
  • [[۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱]] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۵] [۵] [۵] [۲] [۵] [۵] [۱] [۵] [۱] [۱]]] [۱] [۵]] [۲] [۱] [۱] [۱]]]]]]]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]]] [۵] [۱] [۱] [۱] [۱] [۵] [۱] [۱]] [۱] [۱] [۱] [۱] [۵] [۲] [۱] [۱] [۱] [۲] [۵]] [۱] [۱]
  • ارزش گذاری: با استفاده از ولتاژ متقابل k-fold برای ارزیابی ثبات مدل در سراسر تقسیم داده های مختلف.

نتیجه گیری

پیاده سازی این تکنیک ها و محاسبات می تواند به شناسایی و کاهش بیش از حد کمک کند، که منجر به مدل هایی می شود که به طور منظم به داده های جدید تعمیم می یابند.