Надання та підбір є загальними проблемами у розробці моделі машинного навчання. Визначають та звертаючи увагу на ці питання є важливим для створення ефективних та надійних моделей. Ця стаття надає практичні рішення для інженерів, які дозволяють керувати перенаряддуванням та підживленням у своїх проектах.

Розуміння перенарядки

Настроювання відбувається, коли модель вивчає дані про навчання, зокрема шум і позачергові дії. Це призводить до високої точності на даних тренувань, але низької продуктивності на нездійснених даних. Настроювання зменшує здатність моделі до узагальнення.

Загальні ознаки перенарядки включають великий розрив між тренуванням і точність перевірки і над складними моделями, які захоплюють незворотні візерунки.

Стратегії запобігання перенаряддя

  • Cross-validation: Використання методів, таких як перекриття клацання для оцінки продуктивності моделі на різних підстанціях даних.
  • Регуляція: Застосування L1 або L2 для опрацювання складних моделей.
  • Pruning:] Спрощує моделі, видаляючи непотрібні параметри або гілки.
  • Надійне припинення: Навчання за кермом при правильному виконанні припиняється.
  • Data augmentation: Підвищення рівня знань для поліпшення узагальнення.

Розуміння підрядів

Підходить, коли модель занадто проста для захоплення базових шаблонів у даних. Вона призводить до низької продуктивності на обох навчальних та валідційних даних. Підходить вказує на модель недостатньо.

Стратегії для вирішення підрядів

  • Increase модель складність: Використовуйте більш розширені алгоритми або додаткові функції.
  • Регуляція рецептів: Параметри скидання нижніх чисел, щоб дозволити більш гнучкість.
  • Попередня підготовка: Поїзд для більш епох або ітерації.
  • Інженерія техніки: Створення нових функцій, які краще відображають дані.