Quá phù hợp xảy ra khi một mạng lưới thần kinh học rất tốt dữ liệu đào tạo, bao gồm tiếng ồn và tiếng hơn, giảm hiệu suất của nó trên dữ liệu mới.

Tính toán phù hợp

Một phương pháp thông thường để phát hiện phù hợp là bằng cách so sánh độ chính xác đào tạo và hợp lệ hoá hay mất mát. Một khoảng cách quan trọng ngụ ý quá phù hợp. Theo dõi các mét này trong khi đào tạo giúp xác định khi mô hình bắt đầu ghi nhớ dữ liệu đào tạo thay vì tổng quát.

Một cách tiếp cận khác bao gồm việc sử dụng sự thay đổi chéo, nơi mà bộ dữ liệu được chia thành nhiều nhóm con. mô hình được đào tạo và xác nhận qua các tập hợp con này để đánh giá khả năng tổng quát của nó.

Kỹ thuật để giảm chi phí

Một số chiến lược có thể giúp giảm thiểu sự phù hợp trong mạng lưới thần kinh sâu:

  • Nhảy ra: ngẫu nhiên không dùng các nơ-ron trong quá trình huấn luyện để ngăn chặn sự phụ thuộc vào các con đường cụ thể.
  • Dừng lại ) dừng lại khi hiệu suất hợp lệ bắt đầu giảm.
  • Sự tái phân cách: thêm hình phạt vào hàm mất mát để ngăn cản mô hình phức tạp.
  • Phụ đề được thực hiện bởi Động Phim - Cave Subbing Team [FLT: 1] mở rộng dữ liệu đào tạo bằng cách áp dụng các biến đổi vào dữ liệu đã có.
  • Tạo ra Mô hình phức tạp:) Dùng kiến trúc đơn giản hơn để ngăn chặn sự quá hợp.

Kết luận

Việc sử dụng quá nhiều thông qua các thiết bị thẩm định và các kỹ thuật ứng dụng như bỏ học, dừng lại, và thường xuyên hóa có thể cải thiện mô hình tổng quát. quản lý đúng đắn tăng hiệu suất mạng lưới thần kinh sâu sắc trên dữ liệu vô hình.