Bias ja varianssi ovat tärkeitä käsitteitä valvotussa oppimisessa, joka auttaa arvioimaan mallien suorituskykyä. Näiden mittareiden laskentatavan ymmärtäminen voi parantaa mallin valintaa ja virittämistä.

Biojen ja vaihtelun ymmärtäminen

Bias viittaa virheeseen, joka on otettu käyttöön lähentämällä reaalimaailman ongelmaa yksinkertaisempaan malliin. Variance mittaa, kuinka paljon mallin ennustukset vaihtelevat eri koulutusaineistoihin. Molemmat vaikuttavat mallin tarkkuuteen ja yleistyskykyyn.

Lasketaan Bias

Bias lasketaan vertaamalla mallin keskimääräistä ennustetta todelliseen arvoon.

  • Kouluta mallia useita kertoja eri koulutusaineistoissa.
  • Ennustetaan tulostus kiinteälle testipisteelle joka kerta.
  • Laske näiden ennusteiden keskiarvo.
  • Laske tämän keskiarvon ja todellisen arvon välinen ero.
  • Neliö tämä ero saada puolueellinen neliö.

Varianssin laskeminen

Varianssi mittaa mallin ennusteiden vaihtelua.

  • Käytä ennusteita useista eri tietokokonaisuuksiin koulutetuista malleista.
  • Lasketaan keskimääräinen ennuste kaikissa malleissa.
  • Määritetään kunkin ennusteen neliöpoikkeama tästä keskiarvosta.
  • Keskiarvo nämä neliöidyt poikkeamat löytää varianssi.

Käytännön esimerkki

Oletetaan, että sinulla on data ja kouluttaa malli viisi kertaa eri subsets. Tietyssä testipiste, ennusteet ovat 3,2, 3, 8, 3, 3, 7, ja 3.3. Todellinen arvo on 4,0.

Keskiarvoennustus on 3.5. Partitio neliö on (4.0 - 3.5)^2 = 0,25. Varianssi lasketaan laskemalla kunkin ennusteen neliöpoikkeamat keskimäärin 3,5:stä, mikä johtaa 0,14:ään.