O excesso de adaptação ocorre quando um modelo de aprendizagem profunda aprende os dados de treinamento muito bem, incluindo ruído e outliers, o que reduz sua capacidade de generalização para novos dados. Identificar e prevenir o excesso de adaptação é essencial para a construção de modelos eficazes.

Entender o Sobreajustamento

Overfitting acontece quando um modelo captura excessivamente os detalhes dos dados de treinamento, levando a alta precisão nos dados de treinamento, mas desempenho ruim em dados invisíveis. É muitas vezes causado por modelos excessivamente complexos em relação ao tamanho do conjunto de dados.

Cálculos para Detetar o Sobreposição

O monitoramento da diferença entre a precisão ou perda de treinamento e validação ajuda a detectar overfitting. Uma lacuna significativa indica overfitting. Os cálculos comuns incluem:

  • Perda de formação : Erro no conjunto de treino.
  • Perda de Validação: O erro no conjunto de validação.
  • Diferença: A diferença entre as métricas de treinamento e validação.

Medidas preventivas

As estratégias de implementação podem reduzir o excesso de adaptação e melhorar a generalização do modelo.

  • Regularização: Técnicas como L1 e L2 adicionam penalidades aos pesos do modelo.
  • Dropout: Desativa aleatoriamente os neurônios durante o treinamento para evitar a coadaptação.
  • Paragem precoce: Para o treinamento quando o desempenho de validação para de melhorar.
  • Aumento de dados: Expande dados de treinamento com transformações.
  • Modelo Simplificação: Reduz a complexidade do modelo por camadas ou parâmetros decrescentes.