Supervised Learning model은 라벨 데이터에 근거하여 예측을 만들기 위해 사용됩니다. 과잉과 하향 사이의 균형은 효과적인 모델을 만들기 위해 필수적입니다. 이 기사는 이러한 개념을 탐구하고 모델 성능을 최적화하는 디자인 전략을 제공합니다.

감독 된 모델에 대한 overfitting

모델이 소음과 아웃리에 포함 된 교육 데이터를 잘 배울 때 발생. 결과적으로 새로운, 비소 데이터에 거의 수행. 과잉 모델은 복잡하고 높은 차이가있을 경향이있다.

감독 된 모델에 대한 이해

모델이 데이터의 언젠가 패턴을 캡처하는 것은 너무 간단합니다. 그것은 두 훈련 및 테스트 데이터 세트에 대한 가난한 성능에서 결과. 모델은 높은 바이어와 낮은 variance를 가지고 있습니다.

과잉을 방지하는 전략

  • Regularization: L1과 L2 같은 기술은 모델 복잡성에 대한 처벌을 추가합니다.
  • Cross-Validation: 유효성 검사를 사용하여 하이퍼 파라미터를 조정하고 과감하게 검출합니다.
  • Pruning: 결정 나무와 같은 단순화 된 모델은 불필요한 복잡성을 감소시킵니다.
  • Early Stopping: 모델이 데이터를 오버핏하기 전에 Halting 교육.

Underfitting 방지 전략

  • 모델 컴플리케이션:기능이나 복잡한 알고리즘을 사용하여.
  • Feature Engineering: 더 나은 데이터 패턴을 표현하는 새로운 기능을 만들기.
  • 정원화 감소:모델 유연성을 제한하는 소형화 펜슬리티.