모델의 일반화 기술은 과잉을 방지함으로써 모델의 일반화 향상을 위해 기계 학습에 사용됩니다. 모델은 모델 교육 과정에 제약 또는 펜알리티를 추가하여 모델은 미숙한 데이터에 더 잘 수행 할 수 있습니다. 이 기법을 이해하는 것은 모델 성능이 강력한 모델 개발을 위해 필수적입니다.

정기적 인 기술의 종류

일반적인 정기화 방법은 L1, L2 및 Dropout을 포함합니다. 각 기술은 서로 다른 모델에 영향을 미치며 문제 및 데이터 특성에 따라 선택 될 수 있습니다.

일반화에 대한 효과 계산

모델 일반화의 효과는 유효성 측정을 통해 평가 될 수 있습니다. 비교 훈련 및 검증 오류는 일반화가 모델의 능력을 향상 시키는 경우 결정하는 데 도움이됩니다.

1개의 접근법은 일정화 없이 훈련 모형을 포함하고, 그 후에 분리된 시험 세트에 그들의 성과를 평가하. 과실에 있는 다름은 정기화 기술의 충격을 나타냅니다.

Practical 계산 방법

Cross-validation은 일반화의 효과를 추정하는 일반적인 방법입니다. 이 하위셋에 걸쳐 여러 하위셋, 교육 모델로 데이터를 분할하고, 이러한 하위셋을 통해 성능을 측정합니다.

정확도, 정밀도, 리콜, 또는 동사적 오류와 같은 미터는 성능 변경을 정량화하기 위해 사용될 수 있습니다. 정규화 매개 변수에 대한 이러한 미터를 변환하는 것은 최적의 값을 식별하는 데 도움이됩니다.

  • 다른 정량화 힘을 가진 기차 모형
  • 검증된 데이터에 대한 평가
  • 견고함을 보장하기 위해 크로스 유효성을 사용
  • 기본 모델에 대한 메트릭 비교