Tương ứng với một máy học mô hình học tập quá tốt, bao gồm nhiễu và xa hơn, mà giảm khả năng của nó để thực hiện tốt trên dữ liệu mới, vô hình. Địa chỉ bổ sung là thiết yếu để tạo ra mô hình tổng quát hóa. bài này thảo luận về các kỹ thuật thông thường và tính toán sử dụng để rắc rối bắn và giảm cân xứng hợp.

Nhận diện thái quá

Có thể phát hiện phù hợp với việc so sánh hiệu suất mô hình trên đào tạo và thiết lập dữ liệu hợp lệ. Nếu mô hình thực hiện tốt hơn nhiều trên dữ liệu luyện tập hơn là trên dữ liệu hợp lệ, rất có thể sẽ xảy ra. Chỉ thị quan trọng bao gồm độ chính xác đào tạo cao và độ chính xác hợp lệ thấp.

Kỹ thuật để giảm chi phí

Một số phương pháp có thể giúp ngăn ngừa sự quá sức, kể cả:

  • Sự tái phân tách: [FLT: 0] thêm hình phạt vào hàm mất mát để làm giảm sự mô hình phức tạp.
  • Nhảy ra: các đơn vị thả ngẫu nhiên trong quá trình đào tạo để giảm sự phụ thuộc vào các tế bào thần kinh đặc biệt.
  • Dừng lại ) dừng lại khi hiệu suất hợp lệ bắt đầu giảm.
  • Phụ đề được dịch bởi:
  • Mô phỏng đơn giản hóa: [FLT: 1] Dùng ít tham số hoặc thuật toán đơn giản hơn.

Tính toán cho việc đánh giá mô hình

Các chuyên gia như mất đi độ chính xác và độ chính xác là thiết yếu để đánh giá phù hợp. Tính toán bao gồm:

  • Độ chính xác kiểm tra độ chính xác tập luyện.
  • Thiếu ngủ đang theo dõi sự mất mát về xác thực dữ liệu để phát hiện sự khác biệt giữa việc đào tạo mất đi.
  • Sửa đổi: ) sử dụng k-fold-valdation để đánh giá sự ổn định mô hình thông qua các phân tách dữ liệu khác nhau.

Kết luận

Tăng cường những kỹ thuật và tính toán này có thể giúp nhận diện và giảm bớt các mô hình mà tốt hơn tổng quát hóa thành dữ liệu mới. kiểm tra thường xuyên các đo lường hợp lệ là quan trọng để duy trì hiệu suất tối ưu mô hình.