Supervised Learning model은 때때로 하향 또는 과잉과 같은 문제로 새로운 데이터에 거의 수행 할 수 있습니다. 이러한 문제를 식별하고 해결하는 것은 효과적인 기계 학습 시스템을 구축하는 데 필수적입니다.

이해 및 과잉

모델이 데이터의 밑부분 패턴을 캡처하기가 너무 간단합니다. 모델이 교육 데이터에서 소음과 세부 사항을 배울 때 발생하면 새로운 데이터에 대한 능력을 줄일 수 있습니다.

입사 및 입사

의 지표는 높은 훈련 및 테스트 오류를 포함, 과잉은 낮은 교육 오류에 의해 특징이지만 높은 테스트 오류. 이러한 미터 모니터링은 모델 성능 문제를 진단하는 데 도움이됩니다.

주소에 대한 전략

epochs는 모델의 복잡성을 증가시키고 더 많은 기능을 추가하거나 더 많은 epochs를 위해 훈련을 고려합니다. 모델을 선택하면 데이터 패턴을 배우는 충분한 용량이 중요합니다.

Mitigate Overfitting에 전략

일반 기술에는 모델의 단순화, 정기화 방법을 사용하여, 드롭아웃을 적용. 또한, 교육 데이터 세트의 크기를 증가 일반화 향상.

모델 조정을위한 모범 사례

  • 모델의 성능을 평가하기 위해 크로스 유효성을 사용합니다.
  • hyperparameters systematically를 조정하십시오.
  • 교육 및 검증 오류를 정기적으로 모니터링합니다.
  • 훈련 중 일찍 멈추는 직원.