Pourquoi l'erreur d'entraînement est-elle inférieure à l'erreur de test ?
Pourquoi l'erreur d'entraînement est-elle inférieure à l'erreur de test ?

Vidéo: Pourquoi l'erreur d'entraînement est-elle inférieure à l'erreur de test ?

Vidéo: Pourquoi l'erreur d'entraînement est-elle inférieure à l'erreur de test ?
Vidéo: Test d'hypothèse et valeur critique 2024, Avril
Anonim

Les erreur d'entraînement sera généralement moins que les erreur de test parce que les mêmes données utilisées pour ajuster le modèle sont utilisées pour évaluer son erreur d'entraînement . Une partie de l'écart entre les erreur d'entraînement et le erreur de test c'est parce que le entraînement ensemble et le test set ont des valeurs d'entrée différentes.

Par conséquent, l'erreur de validation est-elle toujours supérieure à l'erreur d'apprentissage ?

D'une manière générale cependant, erreur d'entraînement sera presque toujours sous-estimez votre erreur de validation . Cependant, il est possible pour le erreur de validation être moins que la formation . Vous pouvez y penser de deux manières: votre entraînement l'ensemble avait de nombreux cas « difficiles » à apprendre.

Aussi, pourquoi l'erreur d'entraînement augmente-t-elle ? Cependant, le Erreur sur l'ensemble de test ne diminue que lorsque nous ajoutons de la flexibilité jusqu'à un certain point. Dans ce cas, cela se produit à 5 degrés Comme la flexibilité augmente au-delà de ce point, le l'erreur d'entraînement augmente parce que le modèle a mémorisé le entraînement données et le bruit.

De même, vous pouvez demander, qu'est-ce que l'erreur d'entraînement et l'erreur de test ?

Erreurs d'entraînement se produire lorsqu'un qualifié le modèle revient les erreurs après l'avoir exécuté à nouveau sur les données. Il commence à retourner le tort résultats. Erreurs de test sont ceux qui se produisent lorsqu'un qualifié le modèle est exécuté sur un ensemble de données dont il n'a aucune idée. Signification, le entraînement les données sont complètement différentes de essai Les données.

Pourquoi la précision de la validation est-elle supérieure à la précision de l'entraînement ?

Les entraînement la perte est plus haut parce que vous avez rendu artificiellement plus difficile pour le réseau de donner les bonnes réponses. Cependant, pendant validation toutes les unités sont disponibles, de sorte que le réseau a toute sa puissance de calcul - et donc il peut être plus performant que dans entraînement.

Conseillé: