Ang labis na pag - aaral ng isang modelo ng makina ay nangyayari kapag natutuhan ng isang mahusay na modelo ang mga impormasyon sa pagsasanay, pati na ang ingay at mga afterlier, na nakababawas sa kakayahan nitong gumawa ng bagong impormasyon.

Mga Tanda ng Labis na Pag - asa

Kapag mahusay ang pagkakagawa ng isang modelo sa mga impormasyon pero hindi ito sapat, malamang na hindi ito gaanong angkop.

Mga Pamamaraan Upang Matanto ang Labis na Pag - asa

Ang pag - iinsekta ng modelo sa mga adficialation dataset ay tumutulong upang makilala ang labis na pag - asa. Kabilang sa karaniwang mga paraan ang:

  • Pag - iingat sa pagsasanay at wastong pagpapatunay sa paglipas ng mga panahon
  • Nag-e - e - exluving ng mga metric sa magkahiwalay na test data
  • Gumagamit ng mga pamamaraang cross-validation

Mga Estratehiya Upang Iwasan ang Labis na Pag - asa

Ang mga pamamaraang preventive ay tumutulong sa pagpapabuti ng model generalization. Kabilang sa mga pangunahing estratehiya ang:

  • [[Talaksan: Pagkakapit ng mga parusa sa pagmomodelo ng kasalimuutan, tulad ng L1 o L2 regularisasyon.
  • Panunungkulan: Pag-ayos ng mga punong-panlilikha sa pamamagitan ng pagtanggal ng mga sanga na hindi malaki ang nagagawa.
  • [ Nag-itigil sa pagsasanay ng pag-aartista kapag ang afessional performance ay humihinto sa pagpapabuti.
  • Data dagdag na impormasyon: Dumarami ang nagsasanay sa data variety upang mabawasan ang labis na pag-aangkop.
  • [ Randomly influgential neurons sa panahon ng pagsasanay sa mga neural network.