מודלים למידה על-ידי פיקוח משמשים להכנת תחזיות בהתבסס על נתונים מתוייגים.השגת איזון בין overfitting ו- underfitting חיוני ליצירת מודלים יעילים. מאמר זה חוקר מושגים אלה ומציע אסטרטגיות עיצוב כדי להתאים ביצועים מודל.

מודלים על-ידי Supervised

התאמה מתרחשת כאשר מודל לומד את נתוני האימון היטב, כולל רעש ומוזרויות. כתוצאה מכך, הוא מבצע גרוע על נתונים חדשים, לא נראים.מודלים מוכים נוטים להיות מורכבים ויש להם שידות גבוהה.

עקבו אחרי Supervised Models

התאמת קורה כאשר מודל הוא פשוט מדי כדי ללכוד את הדפוסים הבסיסיים בנתונים.זה גורם ביצועים נמוכים על שני אימונים ונתוני בדיקה.מודלים underffled יש הטיה גבוהה ושונות נמוכה.

אסטרטגיות למניעת התאמה

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15] ,0Cross-Validation: ⁇ 1 ; שימוש בהגדרות אימות מסייע להנגיש היפרפרמטרים ולזהות את הכדאיות.
  • (ב) ,0) ,Pruning: 1 (הדגימות של ההרחבה) , כגון עצי ההחלטות, מפחיתות מורכבות מיותרת.
  • (ב) ,0) , תחילת ההחלמה: 1 (החלו) לפני שהמודל מתאים את הנתונים.

אסטרטגיות למניעת החלפה

  • (ב) מכלול מודל:0) הרחבת המודל: FLT:1 (שימוש בתכונות או אלגוריתמים מורכבים יותר.
  • (ב) הנדסת חשמל:0 (FLT:1) יצירת תכונות חדשות כדי לייצג טוב יותר את דפוסי הנתונים.
  • (ב) ,0) הפחתה של ענישה: 1FLT:1 מזערית עונשים המגבילים את גמישות המודל.