bias-variance tradeoff는 깊은 학습을 포함하여 기계 학습에 있는 기본적인 개념입니다. 그것은 훈련 자료 및 새로운 자료에 종합하는 그것의 능력을 적합하기 위하여 모형의 능력 사이 균형을 설명합니다. 이 tradeoff를 이해하는 것은 unseen 자료에 잘 실행하는 모형을 디자인하는 것을 돕습니다.

별명은 무엇입니까?

Bias는 단순화 된 모델과 실제 문제를 약화하여 도입 된 오류를 나타냅니다. 높은 바이알은 데이터를 캡처하지 못하는 모델이 손상되지 않는 부분이 발생할 수 있습니다. 깊은 학습에서, 과간 단순 모델 또는 충분한 훈련은 높은 바이알로 이어질 수 있습니다.

Variance는 무엇입니까?

Variance는 다른 데이터셋에 훈련될 때 모델의 예측 변화가 얼마나 많은 측정을 측정합니다. 높은 차이가 모델은 교육 데이터의 변동에 민감하며 종종 과잉을 이끌어내는 것으로 나타냅니다. 많은 매개 변수가 있는 딥 신경 네트워크는 제대로 정규화되지 않으면 높은 차이가 있습니다.

균형과 균형

최적의 성능은 비스듬한 비스듬한 비스듬한 비스듬한 콤보를 갖추는 것이 특징입니다. 낮은 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 비스듬한 콤보를 갖추는 것은 아닙니다.

의약적인

비스듬한 거래 오프 가이드 모델 선택 및 훈련 전략을 이해하십시오. 예를 들어 모델 복잡성을 증가시키기 위해 비스듬한 모델을 증가시킬 수 있지만 차이가 증가 할 수 있습니다. 따라서 모델을 단순화하면 variance를 줄일 수 있지만 비스듬한 증가를 줄일 수 있습니다. Proper tuning은 최적의 일반화 성능에 필수적입니다.