Il sovraccarico si verifica quando un modello di apprendimento automatico impara i dati di formazione troppo bene, tra cui rumore e outlier, che riduce la sua capacità di generalizzare ai nuovi dati.

Segni di sovrapposti

Spesso, il superamento è indicato da una differenza significativa tra le prestazioni di formazione e di validazione, quando un modello esegue un'eccezionale bene sui dati di formazione, ma in modo non visibile, è probabile che il sovraccarico sia.

Tecniche per rilevare l'eccesso di sovraccarico

Le prestazioni del modello di monitoraggio sui set di dati di convalida aiutano a identificare l'overfitting.

  • Allenamento e precisione di convalida sulle epoche
  • Valutare le metriche delle prestazioni sui dati di prova separati
  • Utilizzo di tecniche di cross-validazione

Strategie per prevenire l'eccesso di fischio

Le misure preventive aiutano a migliorare la generalizzazione del modello.

  • Regolarizzazione:[] Applicare sanzioni alla complessità del modello, come la regolarizzazione L1 o L2.
  • Pruning:[[]] Semplificando gli alberi delle decisioni rimuovendo rami che non contribuiscono in modo significativo.
  • Arresto immediato:[] Arresto dell'allenamento quando le prestazioni di validazione smette di migliorare.
  • Aggravimento dei dati:[ Aumentare la diversità dei dati di formazione per ridurre il sovraccarico.
  • Dropout:[] Disabilita Randomly neurons durante l'allenamento nelle reti neurali.