이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

측정 신경망 일반화

일반화는 일반적으로 훈련 중에 사용되지 않은 별도의 검증 또는 테스트 데이터 세트에 모델을 평가하여 평가됩니다. 일반적인 미터는 작업에 따라 정확도, 정밀도, 회신 및 F1 점수를 포함합니다.

또한, 크로스 유효성 등의 기술은 다른 데이터 하위셋을 통해 일반화할 수 있는 모델의 능력을 더 포괄적으로 볼 수 있습니다. 훈련과 검증 성능 사이의 간격을 모니터링하면 과잉 또는 하향을 표시할 수 있습니다.

일반화 개선에 대한 전략

몇몇 방법은 새로운 자료에 종합하는 신경 네트워크의 능력을 강화할 수 있습니다. L2 정규화와 탈락과 같은 정기화 기술은 모형의 복잡성에 constraints를 추가해서, 과잉을 막습니다.

Data augmentation은 회전, 스케일링, 또는 색상 조정과 같은 변형을 적용함으로써 다양한 교육 데이터를 증가시킵니다. 이 모델은 강력한 시나리오의 넓은 범위에 노출되어 견고성을 향상시킵니다.

추가 고려 사항

적절한 모델 아키텍처와 hyperparameters를 선택하면 중요합니다. Simpler 모델은 데이터가 제한될 때 더 나은 것을 일반화하는 경향이 있으며 더 복잡한 모델은 더 많은 데이터와 정기화가 필요할 수 있습니다.

훈련 도중 유효성 검사 및 고용 초기 멈출 수 있는 overfitting를 방지할 수 있습니다. 고품질을 지키기, 대표 자료는 또한 효과적인 종합을 위해 생명입니다.