Ang labis na pag - aaral ng isang modelo ng makina ay nangyayari kapag ang isang modelo ng makina ay mahusay na natututo ng mga impormasyong pangsanay, pati na ang ingay at mga afterlier, na nakababawas sa paggawa nito sa bagong impormasyon.

Pag - unawa sa Regularisasyon

Ang pagiging regular ay nagpapakilala ng karagdagang mga termino sa pagkawala ng tungkulin sa panahon ng pagsasanay. Ang mga terminong ito ay nagpapabaya sa mga komplikadong modelo, na humihimok ng mas simpleng mga solusyon na hindi gaanong makatwiran. ang mga karaniwang paraan ng pag-aasal ay kinabibilangan ng L1 at L2 regularization.

Karaniwang mga Pamamaraan sa Regularisasyon

  • L1 Regularisasyon (Lasso): Idinaragdag ang ganap na halaga ng coficits sa tungkulin ng pagkawala, na nagtataguyod ng spamrsidad.
  • L2 Regularisasyon (Ridge): Idagdag ang kuwadradong halaga ng mga cofit, na nagpapatibay ng mas maliliit na mga pabigat.
  • [ Randomly deactivates mga neuron sa panahon ng pagsasanay sa mga neural network upang maiwasan ang co-adaptation.
  • [[Cober topping: Humihinto ang pagsasanay kapag nagsimulang humina ang pagsasagawa ng mga impormasyong pang-akademiya.

Mga Halimbawa sa Tunay na Daigdig

Sa mga atas na pagkilala sa larawan, ang pag - aaplay ng mga papel na pantunaw ay tumutulong sa mga neural network na gawing mas mabuti ang mga di - nakikitang larawan.

Sa pagpoproseso ng natural na wika, ang maagang paghinto ay ginagamit upang maiwasan ang labis na pag-aangkop sa panahon ng pagsasanay ng mga modelo ng wika, na tinitiyak na ang mga ito ay mahusay na gumagawa sa mga bagong data ng teksto. ang mga teknik na ito ay mahalaga sa iba't ibang domain upang mapabuti ang model route at katumpakan.