Ang labis na pag - abot ay nangyayari kapag ang isang neural network ay mahusay na natututo ng mga impormasyon sa pagsasanay, pati na ang ingay at mga outlier, na binabawasan ang kakayahan nitong gumawa ng maraming bagong impormasyon.

Mga Tanda ng Labis na Pag - asa

Kabilang sa mga karaniwang indibidwal ang isang mataas na pagsasanay na katumpakan na may malaking mas mababang ekwasyong katumpakan. bukod dito, ang pagkawala ng pagsasanay ay patuloy na nababawasan habang ang mga talampas ng ancerensiya o pagtaas.

Mga Pamamaraan Upang Maninilang Nang Labis

Ang ilang paraan ay makatutulong upang mabawasan ang labis na pag - asa sa mga network ng neuron:

  • [[Talaksan: Dagdagan ng parusa ang pagkawala ng tungkulin upang hadlangan ang mga komplikadong modelo, tulad ng L1 o L2 regularisasyon.
  • [ Sinasalanta ng Randomly ang mga neuron sa panahon ng pagsasanay upang maiwasan ang co-adaptation.
  • [[Councled topping: Humihinto ang pagsasanay kapag nagsimulang humina ang pagganap ng awdisyon.
  • Data Augmentation: Pinararami ang pagkakaiba-iba ng mga datos ng pagsasanay sa pamamagitan ng mga transpormasyon.
  • Ang Reducing Model Complexity:] ay gumagamit ng mas simpleng arkitektura na may mas kaunting mga parameter.

Mga Pagkalkula at mga Katakut - takot na Pagkain

Ang pag-iinsekta ng mga metrikong katulad ng surficiation loant at katumpakan ay tumutulong upang matukoy ang oversite. ang mga kalkulasyon gaya ng pagkakaiba ng pagsasanay at adventation feature ay maaaring mag-sukat ng labis na pagiging akma. Ang Cross-validation ay nagbibigay ng mas matipunong pagtatantiya ng model generalization.