バイアスと分散は、モデルの性能を評価するための超推奨学習における重要な概念です。これらのメトリックを計算する方法を理解することで、モデルの選択と調整を改善できます。

バイアスとバリエーションの理解

バイアスは、単純化されたモデルで現実的な問題を近似することによって導入されたエラーを指します。 変化は、モデルの予測が異なるトレーニングデータセットに変動する量を測定します。 どちらも、モデルの精度と一般化能力に影響します。

バイアスの計算

バイアスは、モデルの平均予測を真の値と比較することで計算されます。 手順は次のとおりです。

  • 異なるトレーニングデータセットで複数の時間をトレーニングします。
  • 毎回固定試験ポイントの出力を予測します。
  • これらの予測の平均を計算します。
  • この平均値と真の値の違いを計算します。
  • 偏見が正方形になるためにこの違いを正方形に並べます。

計算のバリエーション

変化はモデルの予測の変動性を測定します。それを計算するには:

  • 異なるデータセットで訓練された複数のモデルから予測を使用してください。
  • すべてのモデルで平均予測を計算します。
  • このようにして、各予測の四角偏差を決定します。
  • これらは、その空想を見つけるために、正方形の逸脱を平均します。

実用事例

別のサブセットで5回モデルをデータセットして訓練するとします。特定のテストポイントでは、予測は3.2、3.8、3.5、3.7、3.3です。真の値は4.0です。

平均予測は3.5です。偏差は(4.0 - 3.5)^2 = 0.25です。差分は、3.5から各予測の四角偏差を平均化して計算され、0.14になります。