Glossario

Curva di apprendimento

Che cos’è Curva di apprendimento?

Nel machine learning una curva di apprendimento è un grafico che mostra le prestazioni o l'errore di un modello in funzione della durata dell'addestramento o della quantità di dati, di solito separatamente per dati di training e di validazione. Dall'andamento si capisce se il modello è in underfitting o overfitting e se più dati potrebbero aiutare. Se l'errore di validazione resta molto sopra quello di training, ad esempio, è un segnale di overfitting. Nel linguaggio comune il termine indica anche quanto rapidamente le persone padroneggiano una nuova tecnologia.

Temi

Addestramento
Valutazione modelli
Diagnosi

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Convergenza

Nel machine learning, la convergenza indica che un processo di addestramento si avvicina a uno stato stabile: la funzione di perdita quasi non diminuisce più e i parametri del modello cambiano in modo minimo. Se e quanto rapidamente un modello converge dipende tra l'altro da learning rate, qualità dei dati e architettura. Con un learning rate troppo alto l'errore oscilla; troppo basso, l'addestramento dura inutilmente a lungo. La convergenza non garantisce un buon modello, che potrebbe essere in overfitting.

Addestramento
Ottimizzazione
+1

Overfitting

Si parla di overfitting (sovradattamento) quando un modello impara a memoria i dati di addestramento, compresi casualità e rumore, invece di cogliere schemi di validità generale. Sui dati noti sembra molto preciso, ma sui dati nuovi offre risultati scarsi. Un segnale tipico è un ampio divario tra errore di addestramento ed errore di test. Le contromisure sono più dati o dati più vari, modelli più semplici, regolarizzazione, dropout e convalida incrociata.

qualità del modello
addestramento
+1

Underfitting (sottoadattamento)

Si parla di underfitting quando un modello è troppo semplice per cogliere le relazioni presenti nei dati. Commette quindi molti errori già sui dati di addestramento e anche su quelli nuovi, ad esempio quando una retta deve rappresentare un andamento chiaramente curvo. Rimedi possibili sono un modello più potente, caratteristiche più significative, un addestramento più lungo o meno regolarizzazione; il problema opposto è l'overfitting.

Machine learning
Qualità del modello
+1

Errore di addestramento

L'errore di addestramento indica quanto le previsioni di un modello si discostano dai valori corretti proprio sui dati usati per addestrarlo. Da solo dice poco: conta il confronto con l'errore di generalizzazione su dati nuovi. Un errore di addestramento elevato fa pensare a underfitting; se invece è molto basso ma l'errore sui dati di test è alto, di solito si tratta di overfitting.

Machine learning
Valutazione
+1