Ang labis na pag - abot ay nangyayari kapag ang malalim na neural network ay mahusay na natututo ng mga impormasyong pangsanay, pati na ang ingay at mga afterlier, na nakababawas sa paggawa nito sa bagong impormasyon.
Pagkalkula na Labis na Angkop
Ang isang karaniwang paraan upang matiktikan ang labis na pag-aangkop ay sa pamamagitan ng paghahambing ng pagsasanay at harmonasyong katumpakan o kawalan. Ang isang malaking puwang ay nagpapahiwatig ng labis na pag-aangkop.Ang pag-iinsekto ng mga metrikong ito sa panahon ng pagsasanay ay tumutulong upang matukoy kapag ang modelo ay nagsisimulang magsaulo ng mga datos ng pagsasanay sa halip na pangkalahatang pag-aaral.
Ang isa pang pamamaraan ay kinasasangkutan ng paggamit ng cross-validation, kung saan ang dataset ay nahahati sa multiple subsets. Ang modelo ay sinasanay at nirereserved sa ibayo ng mga subset na ito upang tantiyahin ang kakayahan nito sa paglalahat ng pangkalahatan.
Mga Pamamaraan Upang Bawasan ang Labis na Pag - asa
Ang ilang estratehiya ay makatutulong upang mabawasan ang labis na pag - asa sa mga network ng malalalim na neuron:
- [ Ang Randomly deactivate neurons sa panahon ng pagsasanay upang maiwasan ang pananalig sa espesipikong mga daanan.
- [[Councled topping: Humihinto ang pagsasanay kapag nagsimulang humina ang pagganap ng awdisyon.
- [Talaksan: Dagdagan ng parusa ang pagkawala upang hindi maimpluwensiyahan ang mga komplikadong modelo.
- Data Augmentation: Pinalalawak ang training dataset sa pamamagitan ng paglalapat ng mga transpormasyon sa umiiral na datos.
- Ginagamit ng Reducing Model Complexity: ang mas simpleng mga arkitektura upang maiwasan ang labis na pag-aangkop.
Pagsasaayos
Ang pagsukat sa labis na sukat sa pamamagitan ng mga metrikong afession at ang paggamit ng mga pamamaraang gaya ng dropout, maagang paghinto, at regularisasyon ay maaaring mapahusay ang model generalization.Ang tamang pangangasiwa sa labis na pag-aangkop ay nagpapabuti sa pagsasagawa ng mga malalim na neural network sa hindi nakikitang datos.