Glosārijs

Mācīšanās līkne

Kas ir Mācīšanās līkne?

Mašīnmācīšanās mācīšanās līkne ir diagramma, kas parāda modeļa veiktspēju vai kļūdu atkarībā no apmācības laika vai apmācības datu apjoma, parasti atsevišķi apmācības un validācijas datiem. Tās forma atklāj, vai modelis ir nepietiekami vai pārmērīgi apmācīts un vai vairāk datu, visticamāk, palīdzēs. Ja, piemēram, validācijas kļūda paliek ievērojami virs apmācības kļūdas, tas norāda uz pārmācīšanos. Ikdienas valodā šis termins apraksta arī to, cik ātri cilvēki apgūst jaunu tehnoloģiju.

Tēmas

Training
Modeļu novērtēšana
Diagnostika

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo

← Visi termini

Saistītie termini

Konverģence

Mašīnmācīšanās konverģence nozīmē, ka apmācības procedūra tuvojas stabilam stāvoklim: zudums gandrīz vairs nesamazinās un modeļa parametri mainās tikai minimāli. Tas, vai un cik ātri modelis konverģē, ir atkarīgs no tādiem faktoriem kā mācīšanās ātrums, datu kvalitāte un modeļa arhitektūra. Ja mācīšanās ātrums ir pārāk liels, zudums lēkā; ja pārāk mazs, apmācība velkas bez vajadzības. Konverģence negarantē labu modeli, jo tas joprojām var būt pārmācīts.

Training
Optimizācija
+1

Overfitting

Pārmērīga pielāgošanās datiem rodas, kad modelis iegaumē apmācības datus, ieskaitot nejaušas īpatnības un troksni, nevis apgūst vispārīgi derīgas likumsakarības. Tad tas šķiet ļoti precīzs ar pazīstamiem datiem, bet slikti darbojas ar jauniem. Tipiska pazīme ir liela atšķirība starp apmācības un testa kļūdu. Pretlīdzekļi ir vairāk vai daudzveidīgāki dati, vienkāršāki modeļi, regularizācija, dropout un krusteniskā validācija.

modeļa kvalitāte
apmācība
+1

Underfitting

Nepietiekama pielāgošanās rodas, ja modelis ir pārāk vienkāršs, lai aptvertu sakarības datos. Tad tas pieļauj daudz kļūdu gan apmācības datos, gan jaunos datos, piemēram, ja skaidri izliektas likumsakarības attēlošanai izmanto taisni. Pretlīdzekļi ir jaudīgāks modelis, informatīvākas pazīmes, ilgāka apmācība vai mazāka regularizācija; pretēja problēma ir pārmērīga pielāgošanās.

Mašīnmācīšanās
Modeļa kvalitāte
+1

Apmācības kļūda

Apmācības kļūda parāda, cik tālu modeļa prognozes novirzās no pareizajām vērtībām tieši tajos datos, uz kuriem tas apmācīts. Pati par sevi tā maz ko pasaka: svarīgs ir salīdzinājums ar vispārināšanas kļūdu uz jauniem datiem. Augsta apmācības kļūda norāda uz nepietiekamu pielāgošanos; ļoti zema apmācības kļūda kopā ar augstu kļūdu testa datos parasti liecina par pārmērīgu pielāgošanos.

Mašīnmācīšanās
Novērtējums
+1