Terminų žodynas

Mokymosi kreivė

Kas yra 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.

Temos

Training
Modelio vertinimas
diagnostika

Išbandykite KI.ordo

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

Pradėti demonstraciją

← Visi terminai

Susiję terminai

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.

Training
optimizavimas
+1

Overfitting

Persimokymas atsiranda, kai modelis įsimena mokymo duomenis, įskaitant atsitiktinius ypatumus ir triukšmą, užuot išmokęs visuotinai galiojančių dėsningumų. Tada jis atrodo labai tikslus su pažįstamais duomenimis, bet prastai veikia su naujais. Tipiškas požymis – didelis atotrūkis tarp mokymo ir testavimo paklaidos. Priemonės: daugiau ar įvairesnių duomenų, paprastesni modeliai, reguliarizavimas, dropout ir kryžminis patikrinimas.

modelio kokybė
mokymas
+1

Underfitting

Nepakankamas pritaikymas (angl. underfitting) atsiranda, kai modelis per paprastas, kad užfiksuotų duomenų sąryšius. Tada jis daro daug klaidų ir mokymo, ir naujuose duomenyse, pavyzdžiui, kai tiesė naudojama aiškiai išlinkusiam dėsningumui atvaizduoti. Priemonės: galingesnis modelis, informatyvesni požymiai, ilgesnis mokymas ar mažesnis reguliarizavimas; priešinga problema yra persimokymas.

Mašininis mokymasis
modelio kokybė
+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