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، برای ساخت مدل های قوی که به خوبی در برنامه های دنیای واقعی انجام می دهند، ضروری است.
درک Overfit
Overfit زمانی اتفاق می افتد که یک مدل نسبت به میزان و تنوع داده های آموزشی بسیار پیچیده شود، این امر منجر به دقت بالا در داده های آموزشی اما عملکرد ضعیف در داده های دیده نشده است.به رسمیت شناختن بیش از حد شامل نظارت بر معیارهای اعتباری و تشخیص تفاوت ها از عملکرد آموزش.
تکنیک های جلوگیری از Overfit
چندین استراتژی می تواند به کاهش بیش از حد در مدل های یادگیری عمیق کمک کند:
- پاداش: اعمال L1 یا L2 مجازات برای مدل وزن برای دلسرد کردن پیچیدگی.
- Dropout: به طور تصادفی در طول آموزش برای جلوگیری از co-adaptation، نورون ها را فعال می کند.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱]] [۱] [۱۰]] [۱]] آموزش های مناسب در هنگام بهبود عملکرد اعتبار، متوقف می شود.
- ] [داده های ] آگوستت: [ [FLT 1 ] افزایش تنوع داده ها از طریق تحولات برای بهبود تعمیم.
- مجتمع مدل سازی را بازسازی کنید: [FLT 1] با استفاده از معماری های ساده تر یا پارامترهای کمتری.
راه حل های دنیای واقعی
پیاده سازی این تکنیک ها نیازمند تنظیم دقیق است، به عنوان مثال، ترکیب افت با توقف اولیه اغلب بهبود قابل توجهی را به همراه می آورد، اطمینان از داده های آموزش با کیفیت بالا، متنوع برای کاهش اعتبار منظم و نظارت کمک به شناسایی دوره آموزش بهینه و پیکربندی مدل بسیار مهم است.