การ ศึกษา แบบ จําลอง นี้ ส่ง ผล ต่อ ความ สามารถ ของ รุ่น นี้ ที่ จะ ใช้ ความ สามารถ โดย ทั่ว ไป ของ ตัว อย่าง นี้ ตั้ง แต่ การ ฝึก ข้อมูล จน ถึง ข้อมูล ที่ มอง ไม่ เห็น.
มูลนิธิคณิตศาสตร์
การเพิ่มข้อมูลเกินขนาด เกิดขึ้นเมื่อแบบจําลองเรียนรู้ ไม่ใช่แค่รูปแบบพื้นฐาน แต่ยังเรียนรู้เสียงรบกวนในข้อมูลการฝึกด้วย
การแปรผันของอคติอธิบายปรากฏการณ์เหล่านี้ได้ แบบจําลองที่มีอคติสูงมักจะไม่สมดุล ในขณะที่แบบจําลองที่มีอคติสูงมักจะมีอคติที่มากเกินไป การลดความลําเอียงและความแตกต่างเป็นความจําเป็นสําหรับการสร้างแบบจําลองที่มีประสิทธิภาพมากที่สุด
ตัวบ่งชี้คณิตศาสตร์
การวัดค่าต่าง ๆ เช่น ค่าความผิดพลาดแบบเฉลี่ย (MSE) และค่าสถิติการข้าม (cross-validation) ช่วยระบุค่าเกินและค่าต่ําสุด ช่องที่ผิดพลาดระหว่างการฝึกหัดกับความถูกต้องที่แสดงการยอมรับ มีข้อผิดพลาดที่มากกว่าค่า. ค่าที่ผิดพลาดสูงบนชุดข้อมูลทั้งสองแสดงให้เห็นการลดค่า
วิธี แก้ และ เทคนิค
การทําที่อยู่เกินขนาดและทําเกินความสามารถหลาย ๆ วิธี เทคนิคการปรับให้เป็นแบบ L1 และ L2 เพิ่มความซับซ้อนให้กับรุ่น การข้ามช่วงความซับซ้อนนี้ ช่วยในการปรับความไวแสงสูงได้ การปรับขยายรุ่นให้ง่ายขึ้น จะช่วยลดความซับซ้อนได้
- การทําภาพเป็นมาตรฐาน
- การไล่ระดับสี
- เลือกแบบคุณภาพ
- ปรับแก้ความซับซ้อนของโมเดล
- การต่อข้อมูล