Hiểu được lỗi tổng quát hóa của một mô hình máy học là thiết yếu để đánh giá hiệu suất của nó trên dữ liệu vô hình. nó đo lường làm thế nào tốt các mô hình dự đoán điểm dữ liệu mới và giúp chọn các mô hình tốt nhất.

Lỗi tổng quát hóa là gì?

Lỗi tổng quát là sự khác biệt giữa các lỗi trên dữ liệu đào tạo và các lỗi trên dữ liệu mới, không nhìn thấy. nó chỉ ra rằng các mô hình tổng quát tốt hơn các dữ liệu nó đã được đào tạo trên.

Các phương pháp để tính lỗi tổng quát

Một số phương pháp tồn tại để ước tính lỗi tổng quát, bao gồm cả sự thay đổi thần kinh, khởi động và các giới hạn lý thuyết.

Sử dụng sự trao đổi chất

Sự va chạm giữa các dữ liệu bao gồm phân chia thành nhiều nhóm con, đào tạo mô hình trên một số tập con, và thử nghiệm trên những cái khác.

Ước tính với những giới hạn về lý thuyết

Những giới hạn về lý thuyết, chẳng hạn như những thứ bắt nguồn từ thuyết VC hoặc REMacher phức tạp, cung cấp ước tính dựa trên khả năng của mô hình và kích thước của dữ liệu đào tạo. những giới hạn này có thể hướng dẫn sự mong đợi nhưng có thể bảo thủ.

  • Đổi cỡ
  • khởi động
  • Các giới hạn Theo lý
  • Phương pháp giữ im lặng