기계 학습 모델에 공통된 문제입니다. 그들은 교육 데이터에서 데이터를 unseen 데이터로 종합하는 모델의 능력에 영향을 줍니다. 수학 기반을 이해하는 것은 더 나은 모델과 적절한 솔루션을 선택하는 데 도움이 됩니다.

수학 재단

모델이 학습하지 않는 경우 모델이 학습되지 않고 훈련 데이터의 소음도 학습하지 못합니다. 수학적으로, 그것은 새로운 데이터에 낮은 교육 오류에 대한 높은 오류에 결과. 모델이 데이터를 캡처하기 위해 너무 간단 할 때, 두 훈련 및 테스트 데이터에 높은 오류에 대한 높은 오류에 선도.

bias-variance 거래는 이러한 현상을 설명합니다. 높은 비스듬한 모델은 뛰어난 성능으로, 높은 variance 모델은 과잉을 경향이 있습니다. 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 모델 성능에 필수적입니다.

수학 지표

제곱 오류 (MSE) 및 크로스 유효성 점수와 같은 미터는 과잉과 하향을 식별하는 데 도움이됩니다. 훈련 및 검증 오류 사이의 중요한 간격은 과잉을 나타냅니다. 두 데이터 세트의 높은 오류는 밑그림을 제안합니다.

솔루션 및 기술

여러 가지 방법 주소가 과잉하고 밑그림. L1과 L2 같은 정기화 기술은 모델 복잡성을 추가합니다. 크로스 유효성은 hyperparameters를 조정하는 데 도움이됩니다. 모델을 단순화하면 복잡성을 증가하면서 복잡한 결과를 가져올 수 있습니다.

  • 관련 상품
  • 크로스 유효성
  • 기능 선택
  • 모형 complexity 조정
  • 데이터 augmentation