Harhautus-vaihtoehdot ovat koneoppimisen peruskäsitte, mukaan lukien syväoppiminen. Se kuvaa mallin kyvyn sovittaa koulutustiedot ja sen kyvyn yleistyä uuteen dataan. Tämän vaihdossa on apua sellaisten mallien suunnittelussa, jotka toimivat hyvin näkymättömässä datassa.

Mitä Bias on?

Bias viittaa virheisiin, joita on otettu käyttöön lähentämällä reaalimaailman ongelmaa yksinkertaistettuun malliin. Suuri puolueettomuus voi aiheuttaa sopivuutta, jossa malli ei pysty kuvaamaan datan taustalla olevia kuvioita. Syväoppimisessa liian yksinkertaiset mallit tai riittämätön koulutus voivat johtaa suureen puolueettomuuteen.

Mitä Variance on?

Varianssi mittaa, kuinka paljon mallin ennusteet muuttuvat, kun niitä koulutetaan eri tietokokonaisuuksissa. Suuri varianssi osoittaa, että malli on herkkä vaihteluille koulutusdatassa, usein johtaa ylivarusteluun. Syvä neuroverkot, joissa on monia parametreja, ovat alttiita suurille varianssille, jos ei asianmukaisesti laillistettu.

Tasapainotus Bias ja Variance

Optimaalisen suorituskyvyn saavuttaminen edellyttää tasapainottamista harhan ja varianssin kanssa. Malli, jossa on pieni harha ja pieni varianssi, on ihanteellinen mutta vaikea saavuttaa. Tekniikat kuten laillistaminen, keskeyttäminen ja cross-validointi auttavat hallitsemaan tätä tasapainoa syväoppimismalleissa.

Käytännön vaikutukset

Parhaiden arvojen ymmärtäminen on mallivalinta- ja koulutusstrategioita. Esimerkiksi mallin monimutkaisuuden lisääminen vähentää puolueettomuutta, mutta voi lisätä varianssia. Toisaalta mallin yksinkertaistaminen voi vähentää varianssia, mutta lisätä puolueellisuutta. Oikea viritys on välttämätöntä optimaalisen yleistyksen kannalta.