딥러닝에서는, unseen 데이터에 좋은 모델 성능을 달성하는 것은 bias와 variance를 균형을 잡는다. Proper 기술은 교육 데이터셋을 넘어 모델의 능력을 향상시킬 수 있습니다.

Bias와 Variance 이해

Bias는 모델의 간략한 가정 때문에 과실을 나타내고, underfitting에 지도합니다. Variance는 과실을 일으키는 원인이 될 수있는 훈련 데이터에 대한 변동성에 대한 모델의 감도를 나타냅니다. 오른쪽 균형은 최적의 성능에 필수적입니다.

Bias를 줄이기위한 실용적인 방법

비스듬한 비스듬한 모델을 더하기 위해, 더 많은 epochs를 위해 모형 복잡성 또는 훈련을 증가하는 것을 고려하십시오. 더 깊은 신경망과 같은 표현한 건축술을 사용하여, 모형은 자료에 있는 복잡한 본을 붙잡을 것을 도울 수 있습니다.

Variance를 줄이기위한 실용적인 방법

variance 감소는 과잉을 방지하는 기술이 포함되어 있습니다. 일반적인 방법은 다음과 같습니다.

  • L2 또는 Dropout과 같은 정기화 기법 적용
  • Data augmentation을 사용하여 교육 데이터 다양성을 증가
  • 훈련 중 일찍 멈추기
  • 부백 또는 부스트와 같은 ensemble 방법

금융 기술

이 방법을 결합하면 바이스와 다양한 차이 사이의 균형을 달성 할 수 있습니다. 크로스 유효성은 최적의 거래 오프를 찾을 수 있습니다 하이퍼 파라미터를 튜닝에 도움이 될 수 있습니다. 훈련 중에 유효성 검사 성능도 중요합니다.