Ang mga pamamaraan ng regularisasyon ay mahalaga sa pagkatuto ng makina upang maiwasan ang labis na pag-aangkop, na nangyayari kapag ang isang modelo ay natututo ng ingay sa halip na ang saligang huwaran. ang pag-implementasyon ng epektibong mga pamamaraan ng regularisasyon ay nagpapabuti sa model generalization at pagsasagawa sa hindi nakikitang datos.

L1 Regularisasyon (Lasso)

Ang L1 regularisasyon ay nagdaragdag ng parusa na katumbas ng absolutong halaga ng magnitude ng cofits. ito ay humihikayat ng sparsidad, mabisang binabawasan ang ilang mga codients sa sero, na maaaring humantong sa pagtatampok ng mga napili at mas simpleng modelo.

L2 Regularisasyon (Ridge)

Ang L2 regularization ay nagdaragdag ng parusa na katumbas ng mga cofict, na humahantong sa mas makinis na mga modelo na hindi gaanong sensitibo sa pagbabago ng mga impormasyon sa pagsasanay.

Bumababa

Ang dropout ay isang pamamaraan na pangunahing ginagamit sa mga network ng neural kung saan ang mga konsumpsiyonal na piniling neuron ay hindi pinapansin sa panahon ng pagsasanay.Ito ay pumipigil sa mga neuron sa labis na pag-aaaasam, pagbabawas ng labis na pag-aangkop at pagpapabuti ng pagiging matatag ng modelo.

Maagang Paghinto

Ang maagang paghinto ay nagsasangkot ng pagsubaybay sa pagganap ng modelo sa isang adfication set sa panahon ng pagsasanay.Ang pagsasanay ay humihinto kapag ang pagganap ay nagsimulang humina, hinahadlangan ang modelo na labis na umangkop sa mga datos ng pagsasanay.

Regular na Pagganap sa Gawain

Ang paglalapat ng mga pamamaraang regularisasyon ay nangangailangan ng pag-aayos ng mga hyperparameter gaya ng lakas na regularisasyon. Ang cross-validation ay tumutulong sa pag-alam ng mga halagang optimikong halaga, pagbalanse ng model complexing at pagsasagawa.