Overfitting, bir makine öğrenme modelinin eğitim verilerini çok iyi öğrendiğinde, gürültü ve outliers dahil, bu da yeni verilere genelleme yeteneğini azaltır. ebeveynlik ve aşırılaştırmanın önlenmesi, sağlam modeller için önemlidir.

Overfitting belirtileri

Overfitting genellikle eğitim ve geçerlilik performansı arasında önemli bir fark tarafından belirtilir. Bir model eğitim verileri üzerinde olağanüstü iyi performans gösterir ancak görünmez veriler üzerinde kötü durumda aşırılık muhtemelen.

Aşırılık tespit etmek için teknikler

Geçerlilik veri kümeleri üzerinde modelleme modeli performansı, aşırı yüklemeyi tanımlamaya yardımcı olur. Ortak yöntemler şunları içerir:

  • Zamanlar üzerinde eğitim ve doğrulama doğruluğu ortaya koyar
  • Farklı test verileri üzerinde performans ölçümleri analiz eder
  • Geç-validasyon teknikleri

Aşırılık önlemek için stratejiler

Önleyici önlemler modelleme genelleştirmenin geliştirilmesine yardımcı olur. Anahtar stratejileri şunları içerir:

  • [FONT:0)Yönerge:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:) L1 veya L2 düzenlileştirme gibi karmaşıklık modellemeye cezaları uygulayın.
  • [FONT:0)Pruning:[Dönetici:[Dönlendirme:[Dönlendirme:[Dönlendirme:)[Dönlendirme:[Dönlendirme:[Dönlendirme:[Dönlendirme:)))))))))
  • [FONT:0)Early stop:[Döntme:[Döntme:0)[Döntme:[Döne:[Döne:[Dönemli)) Geçerlilik performansın iyileştirilmesini durdurduğunda Halting eğitimi.
  • [FONT:0)Data augmentation:[Dönlendirme için eğitim veri çeşitliliğinin artırılması.
  • [FONT:0]Dropout:[DFLT:1), Sinir ağlarda eğitim sırasında rastgele nöronları yanlış bir şekilde ortadan kaldırır.