Glossarju

Regolarizzazzjoni

X'inhu Regolarizzazzjoni?

Ir-regolarizzazzjoni tkopri tekniki li jwaqqfu mudell milli jadatta wisq mill-qrib għad-data tat-taħriġ tiegħu waqt it-taħriġ (overfitting). L-eżempji jinkludu penali fuq piżijiet kbar (regolarizzazzjoni L1 jew L2), tfi każwali ta' newroni (dropout) jew twaqqif tat-taħriġ fil-mument it-tajjeb (early stopping). L-għan huwa mudell aktar sempliċi li jaħdem b'mod aktar affidabbli fuq data ġdida li ma ratx qabel, anki jekk jikseb punteġġ kemmxejn inqas fuq id-data tat-taħriġ.

Suġġetti

taħriġ
overfitting
kwalità tal-mudell

Ipprova KI.ordo

Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.

Ibda d-demo

← It-termini kollha

Termini relatati

Overfitting

L-overfitting iseħħ meta mudell jimmemorizza d-data tat-taħriġ, inklużi l-partikolaritajiet każwali u l-istorbju, minflok ma jaqbad mudelli validi b'mod ġenerali. Imbagħad jidher eżatt ħafna fuq data familjari iżda jaħdem ħażin fuq data ġdida. Differenza kbira bejn l-iżball tat-taħriġ u dak tat-test hija sinjal tipiku. Il-kontromiżuri jinkludu aktar data jew data aktar varjata, mudelli aktar sempliċi, regolarizzazzjoni, dropout u validazzjoni inkrokjata.

kwalità tal-mudell
taħriġ
+1

Dropout

Id-dropout hija teknika ta' regolarizzazzjoni użata fit-taħriġ ta' netwerks newrali: f'kull pass tat-taħriġ sehem każwali ta' newroni jintfew temporanjament. Dan iżomm lin-netwerk milli jiddependi minn konnessjonijiet individwali, u b'hekk jitgħallem mudelli aktar robusti. Inaqqas l-overfitting, jiġifieri li sempliċement jitfakkar id-data tat-taħriġ. Meta l-mudell lest jintuża aktar tard, in-newroni kollha jerġgħu jkunu attivi.

taħriġ
regolarizzazzjoni
+1

Żball ta' ġeneralizzazzjoni

Iż-żball ta' ġeneralizzazzjoni jkejjel kemm mudell tal-IA jiżbalja fuq data ġdida li qatt ma ra – għall-kuntrarju taż-żball tiegħu fuq id-data tat-taħriġ. Differenza kbira bejn it-tnejn tindika overfitting: il-mudell ħaffeż l-eżempji bl-amment minflok ma tgħallem mudelli ġenerali. Jiġi stmat bl-użu ta' data tat-test miżmuma 'l bogħod jew validazzjoni inkroċjata. Hija ċ-ċifra li tassew tgħodd, għax fil-prattika mudell kważi jiltaqa' biss ma' każijiet ġodda.

Tagħlim awtomatiku
Evalwazzjoni tal-mudelli
+1

Underfitting

L-underfitting iseħħ meta mudell ikun sempliċi wisq biex jaqbad ir-relazzjonijiet fid-data. Imbagħad jagħmel ħafna żbalji kemm fuq id-data tat-taħriġ kif ukoll fuq data ġdida, per eżempju meta tintuża linja dritta biex tirrappreżenta mudell ċar mgħawweġ. Ir-rimedji jinkludu mudell aktar b'saħħtu, karatteristiċi aktar informattivi, taħriġ itwal jew inqas regolarizzazzjoni; il-problema opposta hija l-overfitting.

Tagħlim awtomatiku
Kwalità tal-mudell
+1