Ang mga pamamaraan sa regularisasyon ay mahalaga sa malalim na pag-aaral upang maiwasan ang labis na pag-aangkop at mapahusay ang kakayahan ng modelo na gawing pangkalahatan ang hindi nakikitang datos.Ang pag-iinsepto ng epektibong mga pamamaraan ng regularisasyon ay maaaring humantong sa mas matatag at tumpak na mga modelo sa ibayo ng iba't ibang mga atas.

Bumababa

Ang Dropout ay isang popular na pamamaraan ng regularisasyon na ang random na pag-de-aktibisado ang isang subset ng mga neuron sa panahon ng pagsasanay.Ito ay pumipigil sa mga neuron mula sa co-adapting at naghihikayat sa network na magkaroon ng mas matipunong mga katangian. Karaniwan, ang mga dropout rate ay mula 0.2 hanggang 0.5, depende sa modelo at dataset.

Pagnipis ng Timbang

Ang pagkabulok ng timbang, na kilala rin bilang L2 regularization, ay nagdaragdag ng isang terminong pampataw sa tungkuling pampawala batay sa lakas ng mga pabigat.Ito ay nakakadismaya sa malalaking mga pabigat, na humahantong sa mas simpleng mga modelo na hindi gaanong nakahilig sa pag-aangkop. Ito ay karaniwang ginagamit kaugnay ng mga algoritmo ng optimisasyon katulad ng Adam o SGD.

Pagpapalitan ng mga Data

Ang pagdaragdag ng impormasyon ay nagsasangkot ng paggawa ng karagdagang mga sampol ng pagsasanay sa pamamagitan ng mga pagbabago na gaya ng pag - ikot, pag - ikot, o pag - unlaping.

Maagang Paghinto

Kapag tumigil na sa pag-unlad ang model, hindi na gaanong makaangkop ang modelo sa mga impormasyong pangsanay at nakakatulong ito sa pagpapanatili ng mga kakayahan sa paglalahat.