Ang mga konseptong ito ay tumutulong para malaman kung gaano kahusay ang pag - iimbento ng mga impormasyong hindi nakikita, gaya ng pag - alam sa mga bagong modelo at ng mga impormasyong tutulong sa atin na maunawaan ang mga pagsulong sa paggawa ng modelo.

Labis na Angkop sa mga Katampunan

Ang labis na pag - aangkop ay nangyayari kapag ang isang modelo ay mahusay na nagsasagawa ng mga impormasyong pagsasanay subalit hindi mahusay sa bagong impormasyon.

  • Ang pagsasanay vs. value Error: Ang malaking puwang ay nagpapahiwatig ng labis na pag-aangkop.
  • Mga Hakbang ng Kompleksidad: Katulad ng bilang ng mga parametrong may kaugnayan sa mga punto ng datos.
  • Ang mga coross-Validation Scores:[1][mas mataas na mga iskor sa pagsasanay kung ihahambing sa mga iskor sa ekwasyon ay nagmumungkahi ng labis na pag-aangkop.

Hindi Angkop na mga Katamantala

Ang mga terminong nagpapahiwatig ng pagiging angkop ay nangangahulugang:

  • Final Error on Two Training and Enifigation Sets: Ang pag-uuri sa modelo ay masyadong simple.
  • Low Model Complexity: Katulad ng kakaunting katangian o parameter.
  • Consistant Poor Performance: Sa ibayong pagsasanay at mga impormasyong pang-akademiya.

Pagkalkula sa mga Kaaya - ayang Bagay

Kabilang sa karaniwang mga metrikong ginagamit ay ang katumpakan, katumpakan, paggunita, at iskor na F1. Upang masuri ang labis na pag-aangkop o pagiging angkop, ihambing ang mga metrikong ito sa ibayo ng pagsasanay at mga harmony datasets.

Ang paggamit ng cross-validation ay tumutulong sa pag-secure ng modelong katatagan. ang pagkalkula ng katamtamang pagganap sa multiple folds ay nagbibigay ng mas maaasahang pagtatantiya kung paano isasagawa ng modelo sa hindi nakikitang datos.