Aşırı bakım ve bakımlama makine öğrenme modellerini değerlendirmek için önemlidir. Bu kavramlar, görünmez verilere model genelleştirmenin nasıl iyi bir model olduğunu belirlemeye yardımcı olur. İlgili metrikleri hesaplamak, model performansı ve kılavuzlar geliştirmelerine olanak sağlar.

Toplayıcılar

Overfitting, bir model eğitim verileri üzerinde iyi performans gösterirken, ancak yeni verilerde kötü bir şekilde gerçekleşir.Ekstr ölçümler şunları içerir:

  • [FONT=0) vs. Validation Hatası: Büyük bir boşluk aşırılık gösterir.
  • [FONTD:0)Complexity Measures:[Döneticileri:[Döneticileri veri noktalarına göre değişken sayısı gibi).
  • [FONT=0]Cross-Validation Puanları:) Geçerlilik puanlarına kıyasla önemli ölçüde daha yüksek eğitim puanları aşırılık sağlar.

Metrikslerin Taklitleri

Taklit etmek, alt temel veri kalıpları yakalamak için bir model çok basit olduğunda gerçekleşir.Yemin edici altta yatan ölçümler şunları içerir:

  • [FONT=0) Her iki Eğitim ve Geçerlilik Setleri üzerinde yüksek hata: Modelin çok basit bir şekilde basitleştirilmesi.
  • [FONT=0) Düşük Model Kompleksi:[Dönetici:[Dönetici:0) Düşük Model Kompleksi:[Dönetici:[Dönetici:[Dönetici:[Dönetici:0)
  • [FONT:0]Consistent Poor Performans: Across eğitim ve geçerlilik verileri.

Toplayıcıları Hesaplamak

Yaygın ölçümler doğruluk, hassasiyet, hatırla ve F1 puan içerir. Aşırılık veya bakım gerektirir, bu ölçümleri eğitim ve doğrulama veri kümeleri ile karşılaştırır. Önemli bir diskreplik aşırılık gösterirken, düzgünce düşük puanlar da yetersizdir.

Geç-validasyon modelleme modeli istikrarı değerlendirmede yardımcı olur. Birden çok katta ortalama performansı hesaplamak, modelin görünmez veriler üzerinde nasıl performans göstereceğini daha güvenilir bir tahmin sağlar.