Sõnastik

Õppimiskõver

Mis on 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.

Teemad

  • Training
  • Mudeli hindamine
  • Diagnostika

Proovi KI.ordot

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

Alusta demot
← Kõik terminid

Seotud terminid

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.

  • Training
  • Optimeerimine
  • +1

Overfitting

Ülesobitamine (overfitting) tekib siis, kui mudel jätab treeningandmed, sealhulgas juhuslikud omapärad ja müra, pähe, selle asemel et tabada üldkehtivaid mustreid. Siis tundub see tuttavate andmete puhul väga täpne, kuid toimib uute andmete puhul halvasti. Tüüpiline märk on suur vahe treening- ja testivea vahel. Vastumeetmed on rohkem või mitmekesisemad andmed, lihtsamad mudelid, regulariseerimine, dropout ja ristvalideerimine.

  • mudeli kvaliteet
  • treenimine
  • +1

Underfitting

Alasobitamine (underfitting) tekib siis, kui mudel on liiga lihtne, et andmetes olevaid seoseid tabada. Siis teeb see palju vigu nii treeningandmetel kui ka uutel andmetel, näiteks kui selgelt kõverat mustrit püütakse kujutada sirgjoonega. Abinõud on võimekam mudel, informatiivsemad tunnused, pikem treening või vähem regulariseerimist; vastupidine probleem on ülesobitamine.

  • Masinõpe
  • Mudeli kvaliteet
  • +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