Overfit زمانی اتفاق می افتد که یک شبکه عصبی عمیق اطلاعات آموزشی را به خوبی یاد می گیرد، از جمله سر و صدا و غیر گسترده تر، که عملکرد آن را در داده های جدید کاهش می دهد، درک چگونگی اندازه گیری و کاهش بیش از حد، برای توسعه مدل های موثر ضروری است.

محاسبه Overfit

یک روش رایج برای تشخیص بیش از حد، مقایسه دقت آموزش و اعتبار یا از دست دادن است.یک شکاف قابل توجه نشان می دهد که نظارت بر این معیارها در طول آموزش به شناسایی زمانی که مدل شروع به حفظ داده های آموزش به جای تعمیم.

رویکرد دیگر شامل استفاده از اعتبار متقابل است، که در آن مجموعه داده ها به زیرمجموعه های متعدد تقسیم می شود.این مدل در سراسر این زیر مجموعه ها آموزش داده و معتبر است تا توانایی تعمیم آن را ارزیابی کند.

تکنیک های کاهش Overfit

چندین استراتژی می تواند به کاهش بیش از حد در شبکه های عصبی عمیق کمک کند:

  • Dropout: به طور تصادفی نورون ها را در طول آموزش غیرفعال می کند تا از وابستگی به مسیرهای خاص جلوگیری شود.
  • [در این باره]: [[۱]] [۱۰] [۱] [۱]] [۱]] آموزش را متوقف کنید، زمانی که عملکرد اعتبار شروع به کاهش می کند.
  • [[۱] [۱۰]: [[۱۰] [۱]] مجازات را به تابع زیان اضافه کنید تا مدل های پیچیده را دلسرد کنید.
  • اطلاع رسانی: مجموعه آموزش را با استفاده از تحولات به داده های موجود گسترش می دهد.
  • مجتمع مدل سازی بازسازی: [FLT 1] از معماری های ساده تر برای جلوگیری از بیش از حد استفاده می کند.

نتیجه گیری

اندازه گیری بیش از حد از طریق معیارهای اعتباری و استفاده از تکنیک هایی مانند ترک، توقف اولیه و منظم سازی می تواند تعمیم مدل را بهبود بخشد.مدیریت مناسب بیش از حد مناسب عملکرد شبکه های عصبی عمیق در داده های ناشناخته را افزایش می دهد.