Публикации по теме 'overfitting'
Переоснащение и недооснащение (ОШИБКА В МОДЕЛЯХ ML)
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,..
Упрощенная регуляризация: Lasso Ridge и Elastic-Net
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 Coursera по машинному обучению - неделя 3, переоснащение и упорядочение. Часть II
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..
Понимание переоснащения и недостаточности машинного обучения
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..