Ordliste

Indlæringskurve

Hvad er Indlæringskurve?

I maskinlæring er en indlæringskurve et diagram, der viser en models ydeevne eller fejl over træningstid eller mængden af træningsdata, som regel adskilt for trænings- og valideringsdata. Dens form afslører, om en model underfitter eller overfitter, og om flere data sandsynligvis vil hjælpe. Hvis valideringsfejlen f.eks. forbliver klart over træningsfejlen, peger det på overfitting. I dagligdags sprog beskriver begrebet også, hvor hurtigt mennesker mestrer en ny teknologi.

Emner

Training
Modelevaluering
Diagnostik

Prøv KI.ordo

Agenter, flows og skabeloner i ét arbejdsområde – gratis demo i 24 timer.

Start demo

← Alle begreber

Relaterede begreber

Konvergens

I maskinlæring betyder konvergens, at en træningsprocedure nærmer sig en stabil tilstand: Tabet falder næsten ikke længere, og modellens parametre ændrer sig kun minimalt. Om og hvor hurtigt en model konvergerer, afhænger af faktorer som læringsrate, datakvalitet og modelarkitektur. Er læringsraten for høj, hopper tabet rundt; er den for lav, tager træningen unødigt lang tid. Konvergens garanterer ikke en god model, da den stadig kan være overfittet.

Training
Optimering
+1

Overfitting

Overfitting opstår, når en model lærer træningsdataene udenad, inklusive tilfældige særheder og støj, i stedet for at fange generelt gyldige mønstre. Den virker så meget nøjagtig på kendte data, men klarer sig dårligt på nye data. En stor forskel mellem trænings- og testfejl er et typisk tegn. Modforanstaltninger er flere eller mere varierede data, enklere modeller, regularisering, dropout og krydsvalidering.

modelkvalitet
træning
+1

Underfitting

Underfitting opstår, når en model er for enkel til at fange sammenhængene i dataene. Den laver så mange fejl både på træningsdataene og på nye data, f.eks. når en ret linje bruges til at gengive et tydeligt kurvet mønster. Afhjælpning er en kraftigere model, mere informative features, længere træning eller mindre regularisering; det modsatte problem er overfitting.

Maskinlæring
Modelkvalitet
+1

Træningsfejl

Træningsfejl angiver, hvor langt en models forudsigelser afviger fra de korrekte værdier på netop de data, den er trænet på. I sig selv siger den ikke meget: det afgørende er sammenligningen med generaliseringsfejlen på nye data. En høj træningsfejl peger på underfitting; en meget lav træningsfejl kombineret med en høj fejl på testdata er som regel et tegn på overfitting.

Maskinlæring
Vurdering
+1