Table des matières:

Comment savez-vous que votre modèle est Overfitting ?
Comment savez-vous que votre modèle est Overfitting ?

Vidéo: Comment savez-vous que votre modèle est Overfitting ?

Vidéo: Comment savez-vous que votre modèle est Overfitting ?
Vidéo: PYTHON SKLEARN - MODEL SELECTION : Train_test_split, Cross Validation, GridSearchCV (21/30) 2024, Peut
Anonim

Surapprentissage est suspect lorsque le maquette la précision est élevée en ce qui concerne les données utilisées dans la formation du maquette mais diminue considérablement avec les nouvelles données. Effectivement le le modèle sait bien les données d'entraînement mais ne généralise pas. Cela rend le maquette inutile à des fins telles que la prédiction.

Sachez également que faire si le modèle est en sur-ajustement ?

Gérer le surapprentissage

  1. Réduisez la capacité du réseau en supprimant des couches ou en réduisant le nombre d'éléments dans les couches cachées.
  2. Appliquer la régularisation, ce qui revient à ajouter un coût à la fonction de perte pour les poids importants.
  3. Utilisez les calques de suppression, qui supprimeront de manière aléatoire certaines fonctionnalités en les mettant à zéro.

On peut également se demander, qu'est-ce que le surapprentissage dans l'arbre de décision ? Sur-ajustement est le phénomène dans lequel le système d'apprentissage s'adapte si étroitement aux données d'entraînement données qu'il serait inexact de prédire les résultats des données non entraînées. Dans arbres de décision , sur-ajustement se produit lorsque le arbre est conçu de manière à s'adapter parfaitement à tous les échantillons de l'ensemble de données d'apprentissage.

De plus, qu'est-ce qui cause le surapprentissage du modèle ?

Surapprentissage se produit lorsqu'un maquette apprend les détails et le bruit dans les données d'entraînement dans la mesure où cela a un impact négatif sur les performances du maquette sur de nouvelles données. Cela signifie que le bruit ou les fluctuations aléatoires des données d'entraînement sont captés et appris en tant que concepts par le maquette.

Comment puis-je connaître le sous-ajustement ?

Un modèle sous-ajuste lorsqu'il est trop simple par rapport aux données qu'il essaie de modéliser. Une moyen de détecter une telle situation consiste à utiliser l'approche biais-variance, qui peut être représentée comme ceci: Votre modèle est sous-ajusté lorsque vous avez un biais élevé.

Conseillé: