Bias dan varians adalah konsep penting dalam pembelajaran yang diawasi yang membantu mengevaluasi kinerja model. Memahami bagaimana menghitung metrik ini dapat meningkatkan pemilihan model dan tuning.

Kebidanan dan Variasi Pemahaman Bias

Bias farnia mengacu pada kesalahan yang diperkenalkan dengan menganggarkan masalah dunia nyata dengan model yang disederhanakan. Varinan mengukur berapa banyak prediksi model berfluktuasi untuk dataset pelatihan yang berbeda. keduanya mempengaruhi keakuratan model dan kemampuan generalisasi.

Mengira-kira Bias

Bias dihitung dengan membandingkan rata-rata prediksi model dengan nilai yang sebenarnya.

  • Kereta model beberapa kali pada pelatihan berbeda dataset.
  • Diprediksi output untuk tes tetap setiap kali.
  • Menurut perhitungan rata-rata prediksi ini.
  • Menghitung perbedaan antara rata-rata ini dan nilai sebenarnya.
  • Hal ini berbeda untuk mendapatkan bias kuadrat.

Menghitung Variasi

Varian mengukur variabilitas prediksi model untuk menghitungnya:

  • Use the prediksi dari model multiple dilatih pada dataset yang berbeda.
  • Menghitung perkiraan yang berarti di semua model.
  • Tentukan deviasi kuadrat dari setiap prediksi dari maksud ini.
  • Nilai rata-rata ini kuadrat penyimpangan untuk menemukan varians.

Contoh Praktis

Anda memiliki dataset dan kereta model lima kali pada subset yang berbeda. untuk titik tes tertentu, prediksinya adalah 3.2, 3.8, 3.5, 3.7, dan 3.3. nilai sebenarnya adalah 4.0.

Prediksi rata-rata morfias adalah 3.5. Bias kuadrat adalah (4.0 - 3.5)^2 = 0.25. Varian dihitung dengan rata-rata penyimpangan kuadrat dari setiap prediksi dari 3.5, yang menghasilkan 0.14.