이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

의 회원

일반적인 지표에는 크게 낮은 검증 정확도로 쌍이 된 높은 교육 정확도가 있습니다. 또한, 교육 손실은 유효성 손실 판사 또는 증가 동안 계속 감소시킵니다.

Mitigate Overfitting에 대한 기술

몇몇 방법은 신경망에서 overfitting를 도울 수 있습니다:

  • Regularization: L1 또는 L2 정규화와 같은 난소 복잡한 모델에 대한 손실 기능에 대한 처벌을 추가합니다.
  • Dropout:)는 훈련 중에 신경을 막을 수 있는 것은 공동의 질병을 방지하기 위해.
  • Early Stopping: 유효성능이 감소될 때 훈련을 중지합니다.
  • Data Augmentation:] 변화에 따른 교육 데이터의 다양성을 증가시킨다.
  • 모델 컴플렉스티먼트:] 는 더 적은 매개 변수를 가진 단순한 아키텍처를 사용합니다.

계산 및 미터

검증 손실과 정확성과 같은 측정을 모니터링하는 것은 과잉을 식별하는 데 도움이됩니다. 교육 및 검증 정확도의 차이와 같은 계산은 과잉 severity를 할당 할 수 있습니다. 크로스 유효성 검사는 모델 일반화의 더 강력한 견적을 제공합니다.