Table of Contents
Bias و وانس مفاهیم مهمی در یادگیری نظارت شده است که به ارزیابی عملکرد مدل ها کمک می کند. درک چگونگی محاسبه این معیارها می تواند انتخاب مدل و تنظیم را بهبود بخشد.
درک Bias و Variance
Bias اشاره به خطای معرفی شده توسط نزدیک شدن به یک مشکل واقعی با یک مدل ساده است. تنوع اندازه گیری می کند که پیش بینی های مدل برای مجموعه داده های مختلف آموزش نوسان می کند. هر دو بر دقت و توانایی کلی سازی مدل تأثیر می گذارند.
محاسبه بیاس
Bias با مقایسه پیش بینی متوسط مدل به ارزش واقعی محاسبه می شود.این مراحل عبارتند از:
- مدل را چندین بار در مجموعه داده های مختلف آموزش دهید.
- پیش بینی خروجی برای یک نقطه آزمایشی ثابت در هر زمان.
- میانگین این پیش بینی ها را محاسبه کنید.
- تفاوت بین این میانگین و ارزش واقعی را تکمیل کنید.
- این تفاوت را برای به دست آوردن سوگیری مربع.
تغییرات محاسباتی
تنوع پذیری پیش بینی های مدل را اندازه گیری می کند.
- از پیش بینی های چندین مدل آموزش داده شده در مجموعه داده های مختلف استفاده کنید.
- محاسبه ی معنی پیش بینی در تمام مدل ها
- انحراف مربع هر پیش بینی را از این معنی تعیین کنید.
- میانگین این انحرافات مربعی برای پیدا کردن تفاوت ها
مثال عملی
فرض کنید یک مجموعه داده دارید و یک مدل پنج بار در زیرمجموعه های مختلف آموزش می دهید.برای یک نقطه آزمایش خاص، پیش بینی ها 3.2، 3.8، 3.5، 3.7 و 3.3 است.
پیش بینی متوسط 3.5.the سوگیری مربع است (4.0 - 3.5)^2 = 0.25.