Table of Contents
Overfit زمانی اتفاق می افتد که یک مدل یادگیری عمیق 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 و جلوگیری از بیش از حد برای ساخت مدل های موثر ضروری است.
درک Overfit
بیش از حد اتفاق می افتد زمانی که یک مدل جزئیات داده های آموزشی را به طور گسترده ای ضبط می کند، که منجر به دقت بالا در مورد داده های آموزشی اما عملکرد ضعیف در داده های دیده نشده می شود.این اغلب توسط مدل های بیش از حد پیچیده نسبت به اندازه مجموعه داده ها ایجاد می شود.
محاسبه برای حذف بیش از حد
نظارت بر تفاوت بین آموزش و دقت اعتبار یا از دست دادن کمک می کند تا بیش از حد قابل توجه را تشخیص دهد.یک شکاف قابل توجه نشان می دهد که محاسبات مشترک شامل:
- [در این باره] [از دست دادن [از دست دادن] [از دست دادن [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [به]]] گمراهی بر روی [مشرکان] آموزش [و] [به] [و]] گمراهی [در این [به کار] رسیده است.
- [در این باره] [از دست دادن [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و [از دست دادن] [و] [و [در این] خطا] بر روی [و [مشرکانه] [به] [و]] [و [به کار]]] [و [و [و [و]]]]]]] گمراهی [و [و [و [و [و [و [و [و]]]]]]]]] [و [و [و [و [و [و [و [و [در [در [و [و [و [و [و [و [به حق]]] [و [و]]]]]]]]]]]]]]]]]]]] [از زیان [از زیان [از زیان] [از زیان [از زیانی که [از زیان [از زیان [از زیان [و [و [و [و [و [و [و [از زیان] [از زیان] [از زیان] [و [و [و [و
- اختلاف : شکاف بین آموزش و معیارهای اعتبار سنجی.
اقدامات پیشگیرانه
استراتژی های پیاده سازی می توانند بیش از حد را کاهش دهند و تعمیم مدل را بهبود بخشند.
- اصلاح ؛ تکنیک هایی مانند L1 و L2 مجازات هایی را برای وزن مدل اضافه می کنند.
- Dropout ؛ به طور تصادفی نورون ها را در طول آموزش غیرفعال می کند تا از co-adaptation جلوگیری کند.
- [[۱] [۱۰] [۱]: [۱] [۱] [۱]]: آموزش را متوقف کنید، زمانی که عملکرد اعتبار سنجی متوقف می شود.
- [[۱] [۱۰] [۱] [۱]: گسترش داده های آموزشی با تحولات.
- مدل سیم پیچ و خم کردن : کاهش پیچیدگی مدل با کاهش لایه ها یا پارامترهای.