جب مشین سیکھنے والے ماڈل کو تربیتیافتہ ڈیٹا بھی اچھی طرح معلوم ہو جاتا ہے جس میں شور اور خارجشُدہ معلومات بھی شامل ہیں تو اُس کی صلاحیت کو کم کر دیا جاتا ہے ۔
حد سے زیادہ پینے کی بابت سمجھنا
پر ون ڈے پر جب کوئی ماڈل زیریں طرز کی بجائے تربیتی ڈیٹا میں آواز کو پکڑتا ہے. یہ تربیتی اعداد پر بہت درست لیکن انف معلومات پر ناقص کارکردگی پر منتج ہوتا ہے.
حد سے زیادہ شراب پینے سے گریز کرنے کے لئے عملی کوششیں
- Cross-Validation: مختلف ڈیٹابیس پر ماڈل کی کارکردگی کا تجزیہ کرنے کے لیے K-warwar Cons-Acons کی طرح استعمال کرنے کی تکنیک استعمال کریں۔
- ری ایکٹریشن: [1] اطلاقی طور پر اطلاق کرنے والی سزا مثلاً L1 یا L2 باقاعدہ ماڈل پیچیدگیوں کو دبا کر استعمال کرنا۔
- [Early settping: [1] جب درست اعداد و شمار پر عمل کرنا شروع ہوتا ہے۔
- پرومنگ: غیر ضروری پیرامیٹر یا شاخوں کو ہٹا کر سادہ انداز میں ماڈلز کی ضرورت ہوتی ہے۔
- ] عطاٹا ایوجیشن: اضافی تربیتی ڈیٹا کو بہتر بنانے کے لیے عام طور پر ترقی دے سکتا ہے۔
مڈل فاؤنڈیشنز
مثال کے طور پر ، ایل2 باقاعدگی سے منظم ہونے والی تکنیکوں میں تبدیلی کی گئی ہے :
[ متناسقات: Goticle Losss qen = متناسقات: specrigial des + Bamda tax i ^ ا ب پ ربط : https://www.britannica.com/biography/Poud-Cougion-Councils/iography/Pography/Phammad-S-GBood-S-S-GB/B/B/B/B/B/B/BBBB/PB/C/C/C/TBBB / BBB / BBC q2] -
یہ حوصلہافزائی کرتا ہے کہ ماڈل پیچیدگیوں کو کم کرکے زیادہ سے زیادہ اُوپر سے نہ جانے دیں ۔