مدل های یادگیری فوق العاده گاهی اوقات می توانند به دلیل مسائل مانند کم و یا بیش از حد، عملکرد ضعیفی در داده های جدید داشته باشند. شناسایی و پرداختن به این مشکلات برای ساخت سیستم های یادگیری ماشین موثر ضروری است.

درک زیر و بیش از حد

کمبود زمانی اتفاق می افتد که یک مدل برای گرفتن الگوهای اساسی در داده ها بسیار ساده باشد. Overfit زمانی اتفاق می افتد که یک مدل صدا و جزئیات را از داده های آموزشی یاد می گیرد و توانایی آن برای تعمیم داده های جدید را کاهش می دهد.

نشانه های زیر و بیش از حد

شاخص های زیرپوش شامل خطاهای آموزش و تست بالا است، در حالی که Overfit با خطای آموزش کم مشخص می شود، اما خطای تست بالا این معیارها به تشخیص مشکلات عملکرد مدل کمک می کند.

استراتژی های برای رسیدگی به زیر پوشش

برای کاهش کم، پیچیدگی مدل رو به افزایش، اضافه کردن ویژگی های بیشتر یا آموزش برای دوره های بیشتر را در نظر بگیرید. اطمینان از مدل ظرفیت کافی برای یادگیری الگوهای داده بسیار مهم است.

استراتژی های Mitigate Overfit

تکنیک های رایج شامل ساده سازی مدل، استفاده از روش های منظم سازی و استفاده از قطره، علاوه بر این، افزایش اندازه مجموعه داده های آموزشی می تواند تعمیم را بهبود بخشد.

بهترین روش ها برای مدل سازی Tuning

  • از متقابل-validation برای ارزیابی عملکرد مدل استفاده کنید.
  • Hyperparameters را به طور سیستماتیک تنظیم کنید.
  • نظارت بر آموزش و خطاهای اعتباری به طور منظم.
  • توقف زود هنگام در طول آموزش