ディープニューラルネットワークが、ノイズやアウターなど、トレーニングデータを学習する際、新しいデータの性能を低下させるなど、さらにはトレーニングデータを学習する際の過度性が高まります。効果的なモデルを開発するために、測定方法と過度化方法を理解することは不可欠です。

重なり合うことの計算

過度の検出を行うための一般的な方法は、トレーニングと検証の正確さや損失を比較することです。重要なギャップは、過度の影響を示しています。トレーニング中にこれらのメトリックを監視すると、モデルは、一般的にではなく、トレーニングデータを記憶し始めるときに識別できます。

別のアプローチは、データセットが複数のサブセットに分割されるクロスバリデーションを使用して関与します。このモデルは、その汎用性を評価するために、これらのサブセットを渡って訓練され検証されます。

過度の利益を減らす技術

いくつかの戦略は、深いニューラルネットワークで上向きを減らすことができます。

  • ドロップアウト:] は、特定の経路への依存を防ぐための訓練中に神経をランダムに非アクティブ化します。
  • ]アーリーストッピング:[]]] バリデーションのパフォーマンスが低下し、トレーニングを停止します。
  • 正規化:]]] 複雑なモデルを割る損失関数に罰を追加します。
  • []データ拡張:[]]] 既存のデータへの変換を適用することで、トレーニングデータセットを拡大します。
  • モデルの複雑性を削減:[]]は、より単純なアーキテクチャを使用して、過度の影響を防ぐことができます。

コンテンツ

検証メトリックによる過渡測定とドロップアウト、早期停止、正規化などの技術を適用することで、モデルの汎用性を向上させることができます。 過度の検証の適切な管理は、未採点データに関する深いニューラルネットワークのパフォーマンスを向上させます。