Table of Contents
Overfit زمانی اتفاق می افتد که یک شبکه عصبی اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا و غیر گسترده تر، که توانایی آن را برای تعمیم به داده های جدید کاهش می دهد. عیب یابی بیش از حد شامل شناسایی علائم و استفاده از تکنیک ها برای بهبود عملکرد مدل در داده های ناشناخته است.
نشانه های بیش از حد
شاخص های مشترک شامل دقت آموزش بالا با دقت قابل توجهی پایین تر اعتبار سنجی است.علاوه بر این، کاهش آموزش در حالی که کاهش اعتبار و یا افزایش است، ادامه دارد.
تکنیک های Mitigate Overfit
چندین روش می تواند به کاهش بیش از حد در شبکه های عصبی کمک کند:
- بازگرداندن: مجازات به تابع از دست دادن برای دلسرد کردن مدل های پیچیده مانند L1 یا L2 منظم سازی اضافه می کند.
- [[۱] [۱۰]: [[۱۰] [۱۰] [۱۰] [۱]] [۳] [۱] [۳] به طور تصادفی نورون ها را در طول آموزش برای جلوگیری از سقط جنین غیرفعال می کند.
- [در این باره]: [[۱]] [۱۰] [۱] [۱]] [۱]] آموزش را متوقف کنید، زمانی که عملکرد اعتبار شروع به کاهش می کند.
- اطلاع رسانی: تنوع داده های آموزشی را از طریق تحولات افزایش می دهد.
- مجتمع مدل سازی بازسازی: [FLT 1] از معماری های ساده تر با پارامترهای کمتر استفاده می کند.
محاسبه ها و متریک ها
نظارت بر معیارهایی مانند از دست دادن اعتبار و دقت کمک می کند تا بیش از حد، محاسبه هایی مانند تفاوت بین آموزش و دقت اعتبار سنجی را شناسایی کند.تحریم بیش از حد قابل توجهی است.