딥러닝 모델이 학습 데이터를 잘 배울 때 발생되는 것은 소음과 아웃리에 이르기까지, 새로운 데이터에 대한 전반적인 능력을 줄일 수 있습니다. 과감하게 과감하게 예방하는 것은 효과적인 모델 구축에 필수적입니다.

높은 품질

모델이 교육 데이터의 세부 사항을 과도하게 캡처 할 때 발생, 교육 데이터에 높은 정확도에 선도하지만 unseen 데이터에 대한 가난한 성능. 그것은 종종 데이터 세트 크기와 관련된 overly 복잡한 모델에 의해 발생합니다.

Overfitting를 감지하는 계산

훈련 및 검증 정확도 또는 손실 사이의 차이를 모니터링하는 것은 과잉을 감지하는 데 도움이됩니다. 중요한 간격은 과잉을 나타냅니다. 일반적인 계산에는 다음과 같습니다.

  • 훈련 손실: 훈련 설정의 오류.
  • Validation Loss: 유효 설정의 오류.
  • Difference: 훈련과 검증의 간격.

예방 조치

전략을 구현하고 모델을 일반화 개선 할 수 있습니다. 일반적인 조치는 다음과 같습니다 :

  • Regularization: L1과 L2 같은 기술 모델 무게에 대한 처벌을 추가합니다.
  • Dropout: 훈련 중에 무작위로 신경을 비활성화하여 공동의 승인을 방지합니다.
  • Early Stopping: 유효성능이 향상될 때 훈련을 중지합니다.
  • Data Augmentation: 변화에 대한 교육 데이터를 확장합니다.
  • 모델 Simplification: 레이어 또는 매개 변수를 감소시켜 모델의 복잡성을 감소시킵니다.