Hiểu biết quá phù hợp và phù hợp là thiết yếu để đánh giá máy học mô hình. những khái niệm giúp xác định làm thế nào tốt một mô hình tổng quát để dữ liệu vô hình.

Các chuyên gia quá hợp lý

Các số liệu thông thường cần phát hiện

  • Lỗi kiểm tra chống lại lỗi:) Một khoảng hở lớn cho thấy quá phù hợp.
  • Đo lường độ phức tạp:) như số tham số tương đối với điểm dữ liệu.
  • Điểm số của chiến lược-Validation: đáng chú ý là điểm tập huấn cao hơn so với điểm hợp lệ hóa cho thấy là phù hợp.

Kỹ thuật phụ

Hợp lệ xảy ra khi mô hình quá đơn giản để thu thập các mẫu dữ liệu ẩn. Các mô hình cho thấy phần mềm phù hợp:

  • Lỗi cao trên cả đào tạo và kiểm tra đặt: cho thấy mô hình quá đơn giản.
  • Độ phức tạp mô hình: [FLT: 1] như rất ít tính năng hoặc tham số.
  • Thành công chung:) Vượt qua các dữ liệu đào tạo và xác thực.

Tính toán các chuyên môn

Để đánh giá mức độ phù hợp hoặc thấp hơn, hãy so sánh những thước đo này với các bộ dữ liệu được đào tạo và xác nhận. Một sự khác biệt đáng kể cho thấy sự thiếu cân xứng, trong khi điểm thấp thì cho thấy điểm thấp.

Sử dụng sự điều chỉnh chéo giúp đánh giá sự ổn định của mô hình. tính toán hiệu suất trung bình qua nhiều nếp gấp cung cấp một ước tính đáng tin cậy hơn về cách mô hình sẽ thực hiện trên dữ liệu vô hình.