Inhoudsopgave:

Hoe weet u dat uw model overfitting is?
Hoe weet u dat uw model overfitting is?

Video: Hoe weet u dat uw model overfitting is?

Video: Hoe weet u dat uw model overfitting is?
Video: Accelerated Tabular Data 1.3 - Model Evaluation 2024, Mei
Anonim

Overfitting is verdacht wanneer de model - nauwkeurigheid is hoog met betrekking tot de gegevens die worden gebruikt bij het trainen van de model - maar daalt aanzienlijk met nieuwe gegevens. effectief de model weet de trainingsgegevens goed, maar niet generaliseren. Dit maakt de model - nutteloos voor doeleinden zoals voorspelling.

Weet ook, wat te doen als het model overfitting is?

Overfitting behandelen

  1. Verminder de capaciteit van het netwerk door lagen te verwijderen of het aantal elementen in de verborgen lagen te verminderen.
  2. Pas regularisatie toe, wat neerkomt op het toevoegen van kosten aan de verliesfunctie voor grote gewichten.
  3. Gebruik Dropout-lagen, die willekeurig bepaalde objecten zullen verwijderen door ze op nul te zetten.

Men kan zich ook afvragen, wat is overfitting in de beslisboom? Overpassend is het fenomeen waarbij het leersysteem zo nauw aansluit bij de gegeven trainingsgegevens dat het onnauwkeurig zou zijn bij het voorspellen van de uitkomsten van de ongetrainde gegevens. In Beslissingsbomen , te veel passen treedt op wanneer de boom is zo ontworpen dat alle samples in de trainingsdataset perfect passen.

Bovendien, wat veroorzaakt model Overfitting?

Overfitting gebeurt wanneer een model - leert de details en ruis in de trainingsgegevens in die mate dat het een negatieve invloed heeft op de prestaties van de model - op nieuwe gegevens. Dit betekent dat de ruis of willekeurige fluctuaties in de trainingsgegevens worden opgepikt en geleerd als concepten door de model -.

Hoe herken ik Underfitting?

Een model onder past wanneer het te eenvoudig is met betrekking tot de gegevens die het probeert te modelleren. Een manier om te detecteren zo'n situatie is om de bias-variantiebenadering te gebruiken, die als volgt kan worden weergegeven: Je model is ondergeschikt als je een hoge bias hebt.

Aanbevolen: