Aşırılık, bir sinir ağı eğitim verilerini çok iyi öğrenirken, gürültü ve outliers dahil, bu da yeni verilere genelleme yeteneğini azaltır.Zorunlama aşırı yüklemesi, işaretlerini tanımlamayı ve modelleme tekniklerini uygulamayı içerir.

Overfitting belirtileri

Ortak göstergeler, önemli ölçüde daha düşük bir doğrulama doğruluğu ile eşleştirilmiş yüksek bir eğitim doğruluğu içerir. Ek olarak, eğitim kaybı plato veya artışlarken azalmaya devam eder.

Mitigate Overfitting için teknikler

Çeşitli yöntemler, sinir ağlarında aşırı yüklemeye yardımcı olabilir:

  • [FONT:0)Yönerge:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme: [Dönlendirme: [Dönlendirme: [Dönetmelik: [Dönetmelik: [Dönetmelik: [Dönetmelik: 1] L1 veya L2 normalleştirme gibi karmaşık modelleri cesaret etmek için bir cezayı geri döndürür.
  • [FONT:0)Dropout:[DFLT:1), Eşleştirmeyi önlemek için eğitim sırasında nöronları rastgele devre dışı bırakır.
  • [FONT:0]Early Stopping:[Dönemli:[Dönemli:[Döntme:0)))) Geçerlilik performansı azalırken eğitimini durdurur.
  • [FONT:0)Data Augmentation:[[Dönetici:[Dönetici:0)Data Augmentation:[[Dönetici:[Dönetici:[Dönetici: 4 ) Dönüşüm yoluyla eğitim verilerin çeşitliliğini artırmaktadır.
  • [[Dönetici:0) Model Kompleksi'ni azaltmak:[Dönetici:[Dönetici:0) Daha az parametre ile daha basit mimarileri kullanın.

Hesaplamalar ve Metrikler

Geçerlilik kaybı ve doğruluk gibi ölçümler aşırılık sağlar. Eğitim ve geçerlilik doğruluğu arasındaki farklar aşırılıkçılığı ölçebilir. Cross-validation, model genelleştirmenin daha sağlam bir tahminini sağlar.