Fogalomtár

Tanulási görbe

Mi a(z) 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.

Témák

Training
Modellértékelés
diagnosztika

Próbálja ki a KI.ordót

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

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

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.

Training
optimalizálás
+1

Overfitting

A túlillesztés (overfitting) akkor lép fel, amikor a modell megjegyzi a tanítóadatokat – a véletlen sajátosságokkal és a zajjal együtt –, ahelyett hogy általánosan érvényes mintákat ragadna meg. Ilyenkor az ismert adatokon nagyon pontosnak tűnik, az új adatokon viszont gyengén teljesít. A tanítási és a tesztelési hiba közötti nagy különbség tipikus jel. Ellenszerek: több vagy változatosabb adat, egyszerűbb modellek, regularizáció, dropout és keresztvalidáció.

modellminőség
tanítás
+1

Underfitting

Az alulillesztés (underfitting) akkor lép fel, ha a modell túl egyszerű ahhoz, hogy megragadja az adatokban rejlő összefüggéseket. Ilyenkor a tanítóadatokon és az új adatokon is sok hibát vét, például ha egyenest használnak egy egyértelműen ívelt minta ábrázolására. Orvoslás: erősebb modell, informatívabb jellemzők, hosszabb tanítás vagy kevesebb regularizáció; az ellenkező probléma a túlillesztés.

Gépi tanulás
modellminőség
+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