Derin bir sinir ağı, eğitim verilerini çok iyi öğrenirken, gürültü ve outliers dahil, bu da performansını yeni veriler üzerinde azaltır.
Hesaplamak Overfitting
Aşırılık tespit etmek için ortak bir yöntem, eğitim ve doğrulama doğruluğu veya kaybı ile karşılaştırılır. Eğitim sırasında bu ölçümleri takip etmek, modelin genel olarak eğitim verileri ezberlemeye başladığında belirlemenize yardımcı olur.
Başka bir yaklaşım, veri kümesinin birden fazla alt setlere bölünmüş olduğu çapraz-validasyon kullanarak ilgilidir. Model, genelleştirme yeteneğini değerlendirmek için bu alt setlerde eğitilmiş ve doğrulanmıştır.
Aşırı yükleme teknikleri
Birkaç strateji derin sinir ağları içinde aşırı yüklemeye yardımcı olabilir:
- [FONT:0)Dropout:[DFLT:1), Belirli yollara güvenmeyi önlemek için eğitim sırasında rastgele nöronları etkisiz kılar.
- [FONT:0)Early Stopping:[Dönemli:[Dönemli:[Döntme:0)))) Geçerlilik performansı azalırken eğitimini durdurur.
- [FONT:0)Yönerge:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:) Karmaşık modelleri cesaret etmek için kayıp işlevine cezalar ekler.
- [FONT:0)Data Augmentation:[[Dönetici:[Dönetici:0)Mevcut verilere dönüşümler uygulayarak eğitim veri kümesini genişletir.
- [FONT:0) Model Kompleksi'ni azaltmak:[Dönetici:[Dönetici:0)[Döneticileri azaltmak için daha basit mimarileri kullanın.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Geçerlilik ölçümleri ve düşüş gibi teknikleri uygulama, erken durdurma ve düzenlileştirme model genelleştirmeyi geliştirebilir. Aşırı bakımlama yönetimi, görünmez veriler üzerinde derin sinir ağları performansını artırır.