Bias ve variance, modellerin performansını değerlendirmeye yardımcı olan denetimli öğrenmede önemli kavramlardır. Bu metrikleri hesaplamanın model seçimi ve ayarını nasıl geliştirebileceğini anlamayın.

Bias ve Variance Anlamak

Bias, modelin tahminlerinin farklı eğitim veri setleri için nasıl dalgalandığının gerçek dünya problemini basitleştirilmiş bir modelle ortaya koyar. Variance önlemleri ile, modelin tahminlerinin farklı eğitim veri setleri için nasıl dalgalanma gösterdiğini belirtir.

Bias

Bias, modelin gerçek değere ortalama tahminini karşılaştırarak hesaplanır. adımlar şunları içerir:

  • Model farklı eğitim veri setleri üzerinde birden fazla kez eğitin.
  • Her seferinde sabit bir test noktası için çıktıyı tahmin edin.
  • Bu tahminlerin ortalamasını hesaplayın.
  • Bu ortalama ve gerçek değer arasındaki farkı ele alalım.
  • Bu fark, önyargı meydanı elde etmek için.

Variance hesaplamayı hesaplamak

Variance, modelin tahminlerinin değişkenliğini ölçer. Bunu hesaplamak için:

  • Farklı veri kümelerinde eğitilmiş birden çok modelden gelen öngörüleri kullanın.
  • Tüm modeller arasındaki tahmini hesaplamayı hesaplayın.
  • Bu ifadeden her tahminin karesel sapmasını belirleme.
  • Ortalama bu meydan okumalar varyan bulmak için.

Pratik Örnek

Belirli bir test noktası için, tahminler 3.2, 3.8, 3.7 ve 3.3. Gerçek değer 4.0.

Ortalama tahmin 3.5. önyargı kare (4.0 - 3.5) ^2 = 0.25. Variance, her tahminin karesel sapmaları 3.5'den itibaren hesaplıyor.