Fogalomtár

Konvergencia

Mi a(z) Konvergencia?

A gépi tanulásban a konvergencia azt jelenti, hogy egy tanítási eljárás egy stabil állapothoz közelít: a veszteség alig csökken tovább, és a modell paraméterei csak minimálisan változnak. Az, hogy egy modell konvergál-e, és milyen gyorsan, olyan tényezőktől függ, mint a tanulási ráta, az adatminőség és a modellarchitektúra. Ha a tanulási ráta túl magas, a veszteség ugrál; ha túl alacsony, a tanítás szükségtelenül sokáig tart. A konvergencia nem garantál jó modellt, mert az még mindig túlillesztett lehet.

Témák

Training
optimalizálás
Gépi tanulás

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Gradienscsökkenés

A gradienscsökkenés (gradient descent) az az optimalizálási módszer, amellyel a legtöbb MI-modellt tanítják. Megmérik, mekkora a modell hibája, kiszámítják, milyen irányban kell megváltoztatni a paramétereket a csökkentéséhez, majd kis lépést tesznek ebbe az irányba – újra és újra. Olyan ez, mint egy ködben haladó túrázó, aki folyamatosan lefelé sétál, hogy elérje a völgyet. A lépésköz (tanulási ráta) határozza meg a sebességet és a stabilitást.

optimalizálás
modelltanítás
+1

Tanulási görbe

A gépi tanulásban a tanulási görbe olyan diagram, amely egy modell teljesítményét vagy hibáját mutatja a tanítási idő vagy a tanítóadatok mennyisége függvényében, általában külön a tanító- és a validációs adatokra. Alakja elárulja, hogy a modell alulillesztett vagy túlillesztett-e, és hogy több adat valószínűleg segítene-e. Ha például a validációs hiba jóval a tanítási hiba felett marad, az túlillesztésre utal. A mindennapi nyelvben a kifejezés azt is jelöli, milyen gyorsan sajátítják el az emberek egy új technológiát.

Training
Modellértékelés
+1

Tanítási hiba

A tanítási hiba azt mutatja, mennyire térnek el a modell előrejelzései a helyes értékektől pontosan azokon az adatokon, amelyeken tanították. Önmagában keveset mond: az új adatokon mért általánosítási hibával való összehasonlítás a lényeges. A magas tanítási hiba alulillesztésre utal; a nagyon alacsony tanítási hiba magas tesztadat-hibával kombinálva általában túlillesztést jelez.

Gépi tanulás
Értékelés
+1

Hiperparaméter-optimalizálás

A hiperparaméterek a modell tanítása előtt rögzített beállítások, például a tanulási ráta, a rétegek száma vagy a regularizáció erőssége. A hiperparaméter-optimalizálás szisztematikusan keresi azt a kombinációt, amely a validációs adatokon a legjobban teljesít, például rácskereséssel, véletlen kereséssel vagy bayesi optimalizálással. A jól megválasztott értékek javítják a pontosságot, és csökkentik a túl- vagy alulillesztést, de a keresés számítási időbe kerül.

Training
modellminőség
+1