Речник

Сходимост

Какво е Сходимост?

В машинното обучение сходимост означава, че процедурата на обучение се приближава към стабилно състояние: загубата почти не намалява повече, а параметрите на модела се променят минимално. Дали и колко бързо един модел се доближава до сходимост, зависи от фактори като скорост на обучение, качество на данните и архитектура на модела. Ако скоростта на обучение е твърде висока, загубата скача; ако е твърде ниска, обучението продължава излишно дълго. Сходимостта не гарантира добър модел, тъй като той все още може да е преобучен.

Теми

Training
Оптимизация
Машинно обучение

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Градиентно спускане

Градиентното спускане е методът за оптимизация, с който се обучават повечето ИИ модели. Измерва се колко голяма е грешката на модела, изчислява се в каква посока трябва да се променят параметрите, за да намалее, и след това се прави малка стъпка в тази посока – отново и отново. Подобно е на планинар в мъгла, който продължава да върви надолу, за да стигне до долината. Размерът на стъпката (скорост на обучение) определя скоростта и стабилността.

Оптимизация
Обучение на модели
+1

Крива на обучение

В машинното обучение кривата на обучение е диаграма, която показва представянето или грешката на модела във времето на обучение или в зависимост от количеството обучителни данни, обикновено поотделно за обучителните и валидационните данни. Формата ѝ показва дали моделът е недообучен или преобучен и дали повече данни вероятно ще помогнат. Ако например грешката при валидиране остава значително над грешката при обучение, това сочи преобучение. В ежедневния език терминът описва и колко бързо хората овладяват нова технология.

Training
Оценка на модели
+1

Грешка при обучение

Грешката при обучение показва доколко прогнозите на модела се отклоняват от правилните стойности върху същите данни, върху които е обучен. Сама по себе си тя казва малко: важно е сравнението с грешката на обобщаване върху нови данни. Висока грешка при обучение сочи недостатъчно нагласяване (underfitting); много ниска грешка при обучение, съчетана с висока грешка върху тестови данни, обикновено е признак за свръхнагласяване.

Машинно обучение
Оценка
+1

Оптимизация на хиперпараметрите

Хиперпараметрите са настройки, които се определят преди обучението на даден модел, като скоростта на обучение, броят на слоевете или силата на регуляризацията. Оптимизацията на хиперпараметрите системно търси комбинацията, която дава най-добри резултати върху валидационните данни, например чрез търсене по решетка, случайно търсене или байесова оптимизация. Добре избраните стойности подобряват точността и намаляват преобучението или недообучението, но търсенето изразходва изчислително време.

Training
Качество на модела
+1