Sõnastik

Koondumine

Mis on Koondumine?

Masinõppes tähendab koondumine (convergence) seda, et treenimisprotseduur läheneb stabiilsele olekule: kadu peaaegu enam ei vähene ja mudeli parameetrid muutuvad vaid minimaalselt. See, kas ja kui kiiresti mudel koondub, sõltub sellistest teguritest nagu õppimiskiirus, andmekvaliteet ja mudeli arhitektuur. Kui õppimiskiirus on liiga kõrge, kadu hüpleb; kui liiga madal, kestab treenimine põhjendamatult kaua. Koondumine ei garanteeri head mudelit, sest see võib siiski olla ülesobitatud.

Teemad

Training
Optimeerimine
Masinõpe

Proovi KI.ordot

Agendid, töövood ja mallid ühes tööruumis – tasuta 24-tunnine demo.

Alusta demot

← Kõik terminid

Seotud terminid

Gradientlaskumine

Gradientlaskumine on optimeerimismeetod, mida kasutatakse enamiku TI-mudelite treenimiseks. Mõõdetakse, kui suur on mudeli viga, arvutatakse, millises suunas peavad parameetrid muutuma, et seda vähendada, ja tehakse siis selles suunas väike samm – ikka ja jälle. See on nagu udus matkaja, kes jätkab allamäge kõndimist, et jõuda orgu. Sammu suurus (õppimiskiirus) määrab kiiruse ja stabiilsuse.

Optimeerimine
Mudeli treenimine
+1

Õppimiskõver

Masinõppes on õppimiskõver diagramm, mis näitab mudeli jõudlust või viga treeningaja või treeningandmete hulga suhtes, tavaliselt eraldi treening- ja valideerimisandmetel. Selle kuju näitab, kas mudel on alasobitatud või ülesobitatud ning kas rohkem andmeid tõenäoliselt aitaks. Kui valideerimisviga jääb näiteks treeningveast selgelt kõrgemaks, viitab see ülesobitamisele. Igapäevakeeles kirjeldab termin ka seda, kui kiiresti inimesed uue tehnoloogia omandavad.

Training
Mudeli hindamine
+1

Treeningviga

Treeningviga näitab, kui palju mudeli ennustused erinevad õigetest väärtustest täpselt nendel andmetel, millega seda treeniti. Üksi ütleb see vähe: oluline on võrdlus üldistusveaga uutel andmetel. Kõrge treeningviga viitab alasobitamisele; väga madal treeningviga koos kõrge veaga testandmetel viitab tavaliselt ülesobitamisele.

Masinõpe
Hindamine
+1

Hüperparameetrite optimeerimine

Hüperparameetrid on seaded, mis fikseeritakse enne mudeli treenimist, näiteks õppimiskiirus, kihtide arv või regulariseerimise tugevus. Hüperparameetrite optimeerimine otsib süstemaatiliselt kombinatsiooni, mis toimib valideerimisandmetel kõige paremini, näiteks ruudustikotsingu, juhuotsingu või Bayesi optimeerimise abil. Hästi valitud väärtused parandavad täpsust ning vähendavad üle- või alasobitamist, kuid otsing nõuab arvutusaega.

Training
Mudeli kvaliteet
+1