La comprensione del sovrafinanziamento e del sottofinanziamento è essenziale per valutare i modelli di apprendimento automatico, che aiutano a determinare quanto un modello generalizza i dati in modo da non vedere.

Metriche sovrapposte

L'overfitting si verifica quando un modello esegue bene i dati di formazione, ma in modo non corretto sui nuovi dati.

  • Training vs. Validation Error:[ Un ampio spazio di lavoro indica un overfitting.
  • Misure di complessità:[] Come il numero di parametri relativi ai punti di dati.
  • Cross-Validation Scores:[ I punteggi di formazione significativamente più elevati rispetto ai punteggi di validazione suggeriscono un overfitting.

Metriche sottofissaggio

L'impostazione di fondo avviene quando un modello è troppo semplice per catturare i modelli di dati sottostanti.

  • Errore alto sia su Set di formazione che di convalida:[ Indica che il modello è troppo semplicistico.
  • Piccolo complesso del modello:[ Come poche caratteristiche o parametri.
  • Consistente prestazioni povere:[] Attraverso dati di formazione e convalida.

Calcolo dei Metrici

Per valutare l'eccessiva configurazione o la messa a punto, confrontare queste metriche tra i dataset di formazione e convalida. Una discrepanza significativa suggerisce l'overfitting, mentre i punteggi uniformemente bassi indicano la messa a punto.

Il calcolo delle prestazioni medie attraverso più pieghe fornisce una stima più affidabile di come il modello si esibirà sui dati invisibili.