Süpervize öğrenme, etiketli veriler üzerinde eğitim modellerini içeren yaygın olarak kullanılan bir makine öğrenme yaklaşımıdır. Ancak, uygulayıcılar genellikle modellerinin performansını ve güvenilirliğini etkileyebilecek ortak pitfallslarla karşılaşabilirler.Bu sorunlar ve uygun hesaplamalar, etkilerini hafifletebilir.

Overfitting and Underfitting

Bir model eğitim verilerini çok iyi öğrenirken, gürültü dahil, yeni veriler üzerinde fakir genelleştirmeye yol açan.Infitting, model temel kalıpları yakalamak için çok basit olduğunda gerçekleşir.Eğitim ve doğrulama hataları oranları gibi hesaplamalar bu sorunları tanımlamaya yardımcı olabilir.

Örneğin, eğitim hatasını karşılaştır (E[D[DÜDÜDÜ:0) ve geçerlilik hatası (E)[Dönetici[Dönetici: 4 ), E[FLT: 4)) ise çok düşük olduğunu gösterebilir.[D[D: 6 )

Sınıf Imbalance

Sınıf dengesizliği, bazı sınıflar veri kümesinde temsil edildiğinde, önyargılı modeller için yol gösterici olur. Sınıf dağıtım yüzdesi dengesizliğe yardımcı olur.

Veri kümesinin 1000 örneği olduğunu varsayalım, sınıfa ait 900 A ve 100 sınıf B. Sınıf dağıtım yüzdesi şunlardır:

Sınıf A: (900/1000) * 100 = 90

B Sınıfı: (100/1000) * 100 =% 10

Evaluating Model Performansı

Doğru, hassas, hatırla, ve F1-mark gibi değerler, model performansını değerlendirmek için önemlidir. Hesaplamalar karışık matris bileşenleri içerir:

  • Gerçek Olumlular (TP)
  • Yanlış Olumlular (FP)
  • Sahte Negatifler (FN)

Örneğin, hassas olarak hesaplanır:

Hassasiyet = TP / (TP + FP)

Noisy Data

Noisy verileri modellemek için modelleme eğitimi verebilir. Gürültü-tavı oranı gibi hesaplamalar veri kalitesini ölçmek için yardımcı olur.

Veri kümesinin 1000 toplam örnekten 100 gürültülü örneği içerdiğini varsayalım. Gürültü oranı:

Gürültü Oranı = (Number of gürültülü örnekler) / (Toplam örnekleri) = 100 / 1000 = 0.1 veya% 10