Inhaltsverzeichnis:

Woher wissen Sie, dass Ihr Modell Overfitting ist?
Woher wissen Sie, dass Ihr Modell Overfitting ist?

Video: Woher wissen Sie, dass Ihr Modell Overfitting ist?

Video: Woher wissen Sie, dass Ihr Modell Overfitting ist?
Video: Was ist Overfitting? | Was ist ...? 2024, November
Anonim

Überanpassung ist verdächtig, wenn die Modell Die Genauigkeit der beim Training verwendeten Daten ist hoch Modell fällt aber bei neuen Daten deutlich ab. Effektiv die Modell weiß die Trainingsdaten gut, aber nicht verallgemeinernd. Das macht die Modell nutzlos für Zwecke wie Vorhersagen.

Wissen Sie auch, was zu tun ist, wenn das Modell überangepasst ist?

Umgang mit Überanpassung

  1. Reduzieren Sie die Kapazität des Netzwerks, indem Sie Schichten entfernen oder die Anzahl der Elemente in den verborgenen Schichten reduzieren.
  2. Wenden Sie eine Regularisierung an, die darauf hinausläuft, der Verlustfunktion für große Gewichtungen Kosten hinzuzufügen.
  3. Verwenden Sie Dropout-Layer, die bestimmte Features zufällig entfernen, indem sie auf Null gesetzt werden.

Man kann sich auch fragen, was ist Overfitting im Entscheidungsbaum? Überanpassung ist das Phänomen, bei dem das lernende System so eng an die gegebenen Trainingsdaten angepasst ist, dass es bei der Vorhersage der Ergebnisse der nicht trainierten Daten ungenau wäre. In Entscheidungsbäume , überangemessen tritt auf, wenn die Baum ist so konzipiert, dass sie perfekt zu allen Stichproben im Trainingsdatensatz passt.

Was verursacht außerdem eine Modellüberanpassung?

Überanpassung passiert, wenn a Modell lernt die Details und das Rauschen in den Trainingsdaten so weit, dass dies die Leistung des Modell auf neue Daten. Das bedeutet, dass das Rauschen oder zufällige Schwankungen in den Trainingsdaten von den Modell.

Wie erkenne ich Unteranpassung?

Ein Modell passt nicht, wenn es in Bezug auf die zu modellierenden Daten zu einfach ist. Einer Weg zu erkennen eine solche Situation ist die Verwendung des Bias-Varianz-Ansatzes, der wie folgt dargestellt werden kann: Ihr Modell ist unterangepasst, wenn Sie einen hohen Bias haben.

Empfohlen: