Pojmovnik

Krivulja učenja

Što je Krivulja učenja?

U strojnom učenju krivulja učenja je grafikon koji prikazuje performanse ili pogrešku modela tijekom vremena treniranja ili ovisno o količini podataka za treniranje, obično zasebno za podatke za treniranje i validaciju. Njezin oblik otkriva je li model podtreniran ili pretreniran i hoće li više podataka vjerojatno pomoći. Ako pogreška na validaciji ostaje znatno iznad pogreške na treniranju, to upućuje na pretreniranost. U svakodnevnom jeziku pojam opisuje i koliko brzo ljudi svladavaju novu tehnologiju.

Teme

Training
Vrednovanje modela
Dijagnostika

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

Konvergencija

U strojnom učenju konvergencija znači da se postupak treniranja približava stabilnom stanju: gubitak se gotovo više ne smanjuje, a parametri modela mijenjaju se tek minimalno. Hoće li model konvergirati i koliko brzo, ovisi o čimbenicima poput stope učenja, kvalitete podataka i arhitekture modela. Ako je stopa učenja previsoka, gubitak skače; ako je preniska, treniranje traje nepotrebno dugo. Konvergencija ne jamči dobar model, jer on i dalje može biti pretreniran.

Training
Optimizacija
+1

Overfitting

Pretreniranost (overfitting) nastaje kada model nauči napamet podatke za učenje, uključujući slučajne osobitosti i šum, umjesto da obuhvati općenito važeće uzorke. Tada se čini vrlo točnim na poznatim podacima, ali loše radi na novima. Veliki razmak između pogreške na podacima za učenje i na testnim podacima tipičan je znak. Protumjere su više ili raznolikijih podataka, jednostavniji modeli, regularizacija, dropout i unakrsna validacija.

kvaliteta modela
treniranje
+1

Underfitting

Podtreniranost (underfitting) nastaje kada je model prejednostavan da bi obuhvatio odnose u podacima. Tada griješi mnogo i na podacima za učenje i na novim podacima, primjerice kada se ravna crta koristi za prikaz jasno zakrivljenog uzorka. Rješenja su snažniji model, informativnije značajke, dulje treniranje ili slabija regularizacija; suprotan problem je pretreniranost.

Strojno učenje
Kvaliteta modela
+1

Pogreška učenja

Pogreška učenja pokazuje koliko se predviđanja modela razlikuju od točnih vrijednosti na upravo onim podacima na kojima je treniran. Sama po sebi govori malo: važna je usporedba s pogreškom generalizacije na novim podacima. Visoka pogreška učenja upućuje na podtreniranost; vrlo niska pogreška učenja uz visoku pogrešku na testnim podacima obično signalizira pretreniranost.

Strojno učenje
Ocjena
+1