התאמה מתרחשת כאשר רשת עצבית לומדת את נתוני האימון היטב, כולל רעש ומוזרות, אשר מפחיתה את היכולת שלה להכללת נתונים חדשים. בעיות לפתרון יתר על המידה כרוכות בזיהוי הסימנים וליישם טכניקות לשיפור ביצועי המודל על נתונים לא נראים.

סימנים של Overfitting

אינדיקטורים נפוצים כוללים דיוק הכשרה גבוה בשילוב עם דיוק אימות נמוך משמעותית.בנוסף, אובדן האימון ממשיך לרדת בעוד רמות אובדן אימות או עלייה.

טכניקות ל- Mitigate Overfitting

מספר שיטות יכולות לעזור להפחית את הכדאיות ברשתות עצביות:

  • (ב) ⁇ :0) , ⁇ : ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,Dropout: 1 {\displaystyle \ נוירונים בלתי ניתנים לערעור באופן אקראי במהלך אימון למניעת הדבקה.
  • (ב) ,0) , בתחילת דרכו: 1 (הראשונה) מפסיק הכשרה כאשר ביצועי אימות מתחילים לרדת.
  • (ב) ⁇ :0) ,5 ,5 ,5 , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) הפחתה של מורכבות מודל: 1FLT משתמשת אדריכלות פשוטה יותר עם פחות פרמטרים.

קלוריות ומסובכים

מדדים של מעקב כמו אובדן אימות ודיוק מסייע לזהות overfitting. Calculations כגון ההבדל בין אימון דיוק אימות יכול לכמת חומרה מתאימה. Cross-validation מספק הערכה חזקה יותר של הכללת המודל.