Худшая производительность моделей ML (машинного обучения) в значительной степени связана с переоснащением и недообучением. Как и в прошлом, мы обнаружили, что обобщением является идея о том, что каждая модель должна работать, но переоснащение и недообучение будут сопровождать их, поэтому мы, как правило, должны больше осознавать, что модель не должна выполнять переоснащение и недообучение. Жизненно важным фактором при определении целевой функции на основе обучающих данных является то,..

Когда мы используем модель линейной регрессии, есть вероятность, что модель будет соответствовать заданному набору обучающих данных. Регуляризация помогает уменьшить переоснащение за счет штрафных коэффициентов. Во-первых, мы попытаемся понять причины переобучения в модели линейной регрессии. Модель слишком сложна Когда модель будет иметь слишком много параметров, а параметры модели имеют высокие значения, говорят, что это сложная модель. Если модель сложная, она будет иметь..

Заметки о курсе Coursera Машинное обучение , проведенном Эндрю Нг, адъюнкт-профессором Стэнфордского университета. После обучения мы получаем хорошую модель. Если мы применим его к определенным проблемам, мы можем получить или не получить хорошую производительность. Это вопрос, который мы собираемся обсудить сегодня - почему производительность хорошей модели ужасна? Давайте сначала подумаем - какая модель хорошая? В предыдущем примечании определение «хорошей» модели - это модель с..

Если вы только «новичок» в области машинного обучения и слышите, как кто-то говорит: «Модель плохо обобщает данные» Ой! Это одна из самых важных вещей, которую мы должны понять, и это довольно легко, если мы попытаемся взглянуть на это практически. Что там написано? В машинном обучении обобщение обычно относится к способности алгоритма быть эффективным для ряда входных данных и приложений. Предположим, мы разрабатываем модель машинного обучения. Как модель считается хорошей моделью..