Aşırılık ve bakım makineleri öğrenme modellerinde yaygın konulardır. Modelin görünmeyen verilere eğitim verilerinden genelleştirme yeteneğini etkiler. Matematik temelleri daha iyi modeller tasarlamaya ve uygun çözümleri seçmeye yardımcı olur.

Matematiksel Vakıflar

Overfitting, bir model yalnızca altta yatan desen değil, aynı zamanda eğitim verilerindeki gürültüyü öğrendiğinde, düşük bir eğitim hatasında sonuçlar verir, ancak yeni veriler üzerinde yüksek hata olur.Infitting, modelin hem eğitim hem de test verileri üzerinde yüksek hataları yakalamak için çok basit olduğunda gerçekleşir.

Hafiflik ticareti bu fenomenleri açıklıyor. Yüksek önyargı modelleri, yüksek değişken modeller aşırılığa eğilimliyken. Balancing önyargı ve variance en iyi model performansı için önemlidir.

Matematik Göstergeleri

Örneğin karek hata (MSE) ve çapraz-validasyon puanları aşırılık ve bakım altında tanımlamaya yardımcı olur. Eğitim ve doğrulama hataları arasında önemli bir boşluk aşırılık gösterir. Conversely, yüksek hatalar her iki veri setleri de bakım altında önerir.

Çözümleri ve Teknikleri

L1 ve L2 gibi düzenlileştirme teknikleri, hiperparametreleri ayarlamaya yardımcı olur. Modelin aşırı yüklemesini azaltırken, artan karmaşıklığın azaltılmasına yardımcı olur.

  • Düzenlileşme
  • Cross-validation
  • Özel seçim
  • Model karmaşık ayarlama ayarı
  • Data augmentation