マシン学習モデルを評価するために、過度のフィットと不足を理解することは不可欠です。 これらのコンセプトは、モデルが予期しないデータに一般化する方法を決定するのに役立ちます。 関連するメトリックを計算すると、モデルのパフォーマンスとガイドの改善に洞察を提供します。

メトリックの過度

モデルは、トレーニングデータでうまく機能するが、新しいデータでは不十分であるときに過度の影響が起こります。 過度の影響を検知する一般的なメトリックは次のとおりです。

  • 対 検証エラーの実行:[ 大きいギャップは、過度を示しています。
  • 複雑性測定:] のようなデータポイントに相対的なパラメータの数。
  • クロス・バリデーション・スコア:[ 検証スコアと比較して、大幅に高いトレーニング・スコアが上書きする。

メトリックの不足

モデルが、根本的なデータパターンをキャプチャするのが簡単なときに、不足が起こります。 不足分の指標は次のとおりです。

  • [] トレーニングと検証セットのエラー:[ は、モデルを単純化すぎます。
  • []低モデルの複雑性:]は、非常に少ない機能やパラメータなどです。
  • 一貫した貧しい性能:[の訓練と検証データを渡る。

メトリックの計算

一般的なメトリックには、精度、精度、リコール、F1スコアが含まれます。 過度の評価や過小評価のために、トレーニングと検証データセットの上でこれらのメトリックを比較します。 著しい矛盾は、過度に示唆し、均一に低スコアは、過小評価を示しています。

相互検証を使用して、モデルの安定性を評価することができます。複数の折り目で平均的なパフォーマンスを計算すると、モデルは、モデルが未発表のデータでどのように実行するかのより信頼性の高い推定が得られます。