Bias와 variance는 모델의 성능을 평가하는 데 도움이 감독 된 학습의 중요한 개념입니다. 이 메트릭스를 계산하는 방법을 이해하면 모델 선택과 튜닝을 향상시킬 수 있습니다.

Bias와 Variance 이해

Bias는 단순화 된 모델과 실제 문제를 약화하여 도입 된 오류를 나타냅니다. Variance는 다른 교육 데이터 세트에 대해 모델의 예측 변동을 얼마나 측정합니다. 둘 다 모델의 정확도와 일반화 능력을 영향을 미칩니다.

Bias를 선택

Bias는 모델의 평균 예측을 true 값으로 계산합니다. 단계는 다음과 같습니다.

  • 다른 교육 데이터셋에 여러 번 모델을 훈련합니다.
  • 고정 시험 점에 대한 출력을 매번 예측합니다.
  • 이 예측의 평균을 계산합니다.
  • 평균과 진정한 값 사이의 차이를 계산합니다.
  • 이 차이를 광장에 넣을 수 있습니다.

캘리포니아

Variance는 모델의 예측의 가변성을 측정합니다. 그것을 계산하려면:

  • 다른 datasets에 훈련된 다수 모형에서 예측을 사용하십시오.
  • 모든 모델의 평균 예측을 계산합니다.
  • 이 의미에서 각 예측의 사각형 편차를 결정합니다.
  • 평균이 variance를 찾을 수 있도록제곱 편차.

Practical 예제

데이터 세트가 있고 다른 하위 세트에서 모델 5 배를 훈련합니다. 특정 테스트 포인트의 경우 예측은 3.2, 3.8, 3.5, 3.7 및 3.3입니다. 진정한 값은 4.0입니다.

평균 예측은 3.5입니다. 비스듬한 비스듬한은 (4.0 - 3.5)^2 = 0.25입니다. variance는 3.5에서 각 예측의 사각형 편차를 평균적으로 계산하여 0.14에서 결과를 나타냅니다.