Terminų žodynas

Konvergencija

Kas yra Konvergencija?

Mašininiame mokymesi konvergencija reiškia, kad mokymo procedūra artėja prie stabilios būsenos: nuostolis beveik nebemažėja, o modelio parametrai keičiasi tik minimaliai. Ar ir kaip greitai modelis konverguoja, priklauso nuo tokių veiksnių kaip mokymosi sparta, duomenų kokybė ir modelio architektūra. Jei mokymosi sparta per didelė, nuostolis šokinėja; jei per maža, mokymas trunka be reikalo ilgai. Konvergencija negarantuoja gero modelio, nes jis vis tiek gali būti persimokęs.

Temos

Training
optimizavimas
Mašininis mokymasis

Išbandykite KI.ordo

Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.

Pradėti demonstraciją

← Visi terminai

Susiję terminai

Gradientinis nusileidimas

Gradientinis nusileidimas yra optimizavimo metodas, naudojamas daugumai DI modelių apmokyti. Išmatuojate modelio klaidos dydį, apskaičiuojate, kuria kryptimi reikia keisti parametrus, kad ji sumažėtų, ir žengiate mažą žingsnį ta kryptimi – vėl ir vėl. Tai kaip rūke einantis keliautojas, kuris vis eina žemyn, kad pasiektų slėnį. Žingsnio dydis (mokymosi sparta) lemia greitį ir stabilumą.

optimizavimas
modelių mokymas
+1

Mokymosi kreivė

Mašininiame mokymesi mokymosi kreivė – tai diagrama, rodanti modelio veikimą ar paklaidą per mokymo laiką arba pagal mokymo duomenų kiekį, paprastai atskirai mokymo ir validavimo duomenims. Jos forma atskleidžia, ar modelis nepakankamai ar per daug prisitaikęs ir ar daugiau duomenų greičiausiai padės. Jei, pavyzdžiui, validavimo paklaida išlieka gerokai aukštesnė už mokymo paklaidą, tai rodo persimokymą. Kasdienėje kalboje šis terminas taip pat apibūdina, kaip greitai žmonės įsisavina naują technologiją.

Training
Modelio vertinimas
+1

Mokymo paklaida

Mokymo paklaida rodo, kiek modelio prognozės nukrypsta nuo teisingų reikšmių būtent tuose duomenyse, su kuriais jis buvo mokomas. Savaime ji menką ką pasako: svarbu palyginimas su apibendrinimo paklaida naujuose duomenyse. Didelė mokymo paklaida rodo nepakankamą pritaikymą (underfitting); labai maža mokymo paklaida kartu su didele paklaida testavimo duomenyse paprastai signalizuoja persimokymą.

Mašininis mokymasis
Vertinimas
+1

Hiperparametrų optimizavimas

Hiperparametrai yra nustatymai, parenkami prieš apmokant modelį, pavyzdžiui, mokymosi sparta, sluoksnių skaičius ar reguliarizavimo stiprumas. Hiperparametrų optimizavimas sistemingai ieško derinio, kuris geriausiai veikia su validavimo duomenimis, pavyzdžiui, tinklelio paieška, atsitiktine paieška ar Bajeso optimizavimu. Gerai parinktos reikšmės pagerina tikslumą ir sumažina per didelį ar per mažą pritaikymą, tačiau paieška kainuoja skaičiavimo laiko.

Training
modelio kokybė
+1