Woordenlijst

Leercurve

Wat is Leercurve?

Bij machine learning is een leercurve een grafiek die de prestatie of fout van een model laat zien over de trainingstijd of de hoeveelheid trainingsdata, meestal apart voor trainings- en validatiedata. De vorm laat zien of een model underfit of overfit is en of meer data waarschijnlijk zal helpen. Blijft de validatiefout bijvoorbeeld ruim boven de trainingsfout, dan wijst dat op overfitting. In de dagelijkse taal beschrijft de term ook hoe snel mensen een nieuwe technologie onder de knie krijgen.

Onderwerpen

Training
Modelevaluatie
Diagnostiek

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten

← Alle begrippen

Verwante begrippen

Convergentie

Bij machine learning betekent convergentie dat een trainingsprocedure een stabiele toestand benadert: het verlies daalt nauwelijks nog en de modelparameters veranderen slechts minimaal. Of en hoe snel een model convergeert, hangt af van factoren zoals leersnelheid, datakwaliteit en modelarchitectuur. Bij een te hoge leersnelheid springt het verlies heen en weer; bij een te lage duurt de training onnodig lang. Convergentie garandeert geen goed model, want het kan nog steeds overfit zijn.

Training
Optimalisatie
+1

Overfitting

Overfitting treedt op wanneer een model de trainingsgegevens uit het hoofd leert, inclusief toevallige eigenaardigheden en ruis, in plaats van algemeen geldende patronen vast te leggen. Het lijkt dan zeer nauwkeurig op bekende gegevens, maar presteert slecht op nieuwe gegevens. Een groot verschil tussen trainings- en testfout is een typisch teken. Tegenmaatregelen zijn meer of gevarieerdere gegevens, eenvoudigere modellen, regularisatie, dropout en kruisvalidatie.

modelkwaliteit
training
+1

Underfitting

Underfitting treedt op wanneer een model te eenvoudig is om de verbanden in de gegevens vast te leggen. Het maakt dan veel fouten, zowel op de trainingsgegevens als op nieuwe gegevens, bijvoorbeeld wanneer een rechte lijn wordt gebruikt voor een duidelijk gebogen patroon. Remedies zijn een krachtiger model, informatievere features, langer trainen of minder regularisatie; het omgekeerde probleem is overfitting.

Machine learning
Modelkwaliteit
+1

Trainingsfout

De trainingsfout geeft aan hoeveel de voorspellingen van een model afwijken van de juiste waarden op precies de gegevens waarop het is getraind. Op zichzelf zegt ze weinig: waar het om gaat is de vergelijking met de generalisatiefout op nieuwe gegevens. Een hoge trainingsfout wijst op underfitting; een zeer lage trainingsfout in combinatie met een hoge fout op testgegevens duidt meestal op overfitting.

Machine learning
Beoordeling
+1