이 문서는 번역, 번역, 번역, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집, 편집

이해 및 과잉

모델이 데이터의 밑부분 패턴을 캡처하기가 너무 간단합니다. 모델이 너무 복잡 할 때 발생, 신호와 함께 잡음을 캡처. 두 문제는 불신 데이터에 대한 빈번한 성능에 나타납니다.

Underfitting 방지 전략

epochs 및 tuning hyperparameters를 위한 훈련은 더 특징을 추가하거나 더 진보된 알고리즘을 사용하여 모형 복잡성을 증가합니다. 게다가, 더 많은 epochs를 위한 훈련은 모형을 더 나은 표현을 돕는 것을 도울 수 있습니다.

과잉을 방지하는 전략

L1 및 L2 펜실베이션과 같은 정기화 기술을 통해 과잉 할 수 있습니다. 교차 유효성 검사는 최적의 하이퍼 파라미터를 선택하는 데 도움이됩니다. Pruning, dropout 및 초기 스핑은 또한 효과적인 방법입니다.

실제 계산 및 미터

키 메트릭은 훈련 및 검증 오류가 포함되어 있습니다. 이러한 오류의 차이는 과잉 또는 하향을 나타냅니다. 일반적인 접근법은 훈련 중에 유효성 검사를 모니터링하고 개선을 중지 할 때 초기 중지를 적용합니다.

  • 교육 오류
  • 유효성 검사
  • Bias-variance 거래
  • 크로스 유효성 점수