جب مشین سیکھنے کے عمل کے نمونے کو اچھی طرح سے سیکھتا ہے جس میں شور اور خارجی معلومات بھی شامل ہیں تو اس میں آواز اور نئی معلومات کو عام کرنے کی صلاحیت کم ہوتی ہے.
حد سے زیادہ پینے کی بابت سمجھنا
پروکٹ اس وقت ہوتا ہے جب کوئی ماڈل دستیاب اعداد کی مقدار کے لحاظ سے بہت پیچیدہ ہے. یہ ٹریننگ ڈیٹا میں شور کو پکڑتا ہے نہ کہ زیریں شکل میں، تربیتی اعداد پر اعلیٰ درست لیکن ٹیسٹ ڈیٹا پر ناقص کارکردگی۔
زیادہ شراب پینے سے بچنے کیلئے تکنیک
مشین سیکھنے کے ماڈلوں میں زیادہ سے زیادہ کیوبیک میں کمی کے لیے کئی طریقے کام کیے جا سکتے ہیں:
- Cross-Validation: [1] ڈیٹا کو تربیت اور درستی کے لیے تربیت اور اصلاحی سیٹوں میں شامل کیا جاتا ہے۔
- ری ایکٹریشن:] پیچیدگی کے لیے ایڈیٹنگ کرنے، جیسے کہ L1 یا L2 باقاعدہ طور پر جاری کرنے کے لیے۔
- پرولنگ: فیصل درختوں کی طرح سادہ نمونے ہیں جو طاقت فراہم نہیں کرتے۔
- [Early setting: [1] جب درست اعداد و شمار پر عمل کرنا شروع ہوتا ہے۔
- ڈرم : نیوکلی نیٹ ورک میں تربیت کے دوران Randomly deactiving nerons.
عملی مثالیں
مثال کے طور پر ، باقاعدہ طور پر نقلمکانی کرنے سے نمونے کی کارکردگی کو کم کر دیتی ہے ، نمونے کو آواز سے روکا جاتا ہے ۔
تکنیکوں کے درست ملاپ کا انحصار اعداد و شمار اور ماڈل ٹائپ پر ہوتا ہے۔ مناسب معلومات پر باقاعدہ تجزیہ کرنا اور اس کے مطابق تبدیلی لانا بہت ضروری ہے۔