Речник

Крива на обучение

Какво е 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.

Теми

Training
Оценка на модели
Диагностика

Изпробвайте KI.ordo

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

Стартирайте демото

← Всички термини

Свързани термини

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.

Training
Оптимизация
+1

Overfitting

Свръхнагласяне (overfitting) възниква, когато моделът запомня данните за обучение, включително случайните им особености и шум, вместо да улавя общовалидни закономерности. Тогава той изглежда много точен върху познати данни, но се представя слабо върху нови. Типичен признак е голямата разлика между грешката при обучение и при тест. Мерките включват повече или по-разнообразни данни, по-прости модели, регуляризация, dropout и кръстосана валидация.

качество на модела
обучение
+1

Underfitting

Недостатъчно нагласяване (underfitting) възниква, когато моделът е твърде прост, за да улови зависимостите в данните. Тогава той прави много грешки както върху данните за обучение, така и върху нови данни, например когато права линия се използва за представяне на ясно извит модел. Мерките включват по-мощен модел, по-информативни признаци, по-дълго обучение или по-малко регуляризация; обратният проблем е свръхнагласяването.

Машинно обучение
Качество на модела
+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