La compréhension de l'adéquation et de l'adéquation excessives est essentielle pour évaluer les modèles d'apprentissage automatique. Ces concepts aident à déterminer dans quelle mesure un modèle généralise les données invisibles.

Sur-adéquation des mesures

Le surajustement se produit lorsqu'un modèle fonctionne bien sur les données de formation, mais mal sur les nouvelles données.

  • Erreur de formation et de validation : Un écart important indique une suradaptation.
  • [[[FLT:]][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:]][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][F][F][FLT][F][
  • Scores de validation de la corrosion: Des scores de formation significativement plus élevés que les scores de validation suggèrent une suradaptation.

Métrique sous-jacente

Un modèle est trop simple pour saisir les modèles de données sous-jacents. Les paramètres indiquant un modèle inférieur sont les suivants :

  • Erreur élevée sur les ensembles de formation et de validation : Indique que le modèle est trop simpliste.
  • Complexité du modèle faible:[ Telle que très peu de caractéristiques ou de paramètres.
  • Consistante Mauvaise performance: Dans l'ensemble des données de formation et de validation.

Calcul des paramètres

Pour évaluer les surajustements ou les sous-ajustements, comparez ces paramètres entre les ensembles de données de formation et de validation. Une différence importante suggère un surajustement, tandis que des notes uniformément faibles indiquent un sous-ajustement.

L'utilisation de la validation croisée aide à évaluer la stabilité du modèle. Le calcul de la performance moyenne sur plusieurs plis fournit une estimation plus fiable de la façon dont le modèle fonctionnera sur des données invisibles.