Słownik pojęć

Krzywa uczenia

Czym jest Krzywa uczenia?

W uczeniu maszynowym krzywa uczenia to wykres pokazujący skuteczność lub błąd modelu w czasie trenowania albo w zależności od ilości danych treningowych, zwykle osobno dla danych treningowych i walidacyjnych. Jej kształt ujawnia, czy model jest niedouczony czy przeuczony i czy więcej danych prawdopodobnie pomoże. Jeśli na przykład błąd walidacji pozostaje wyraźnie powyżej błędu treningowego, wskazuje to na przeuczenie. W języku potocznym pojęcie to opisuje także, jak szybko ludzie opanowują nową technologię.

Tematy

Training
Ocena modelu
diagnostyka

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Zbieżność

W uczeniu maszynowym zbieżność oznacza, że procedura trenowania zbliża się do stabilnego stanu: strata prawie już nie maleje, a parametry modelu zmieniają się tylko minimalnie. To, czy i jak szybko model jest zbieżny, zależy od czynników takich jak współczynnik uczenia, jakość danych i architektura modelu. Jeśli współczynnik uczenia jest zbyt wysoki, strata podskakuje; jeśli zbyt niski, trenowanie trwa niepotrzebnie długo. Zbieżność nie gwarantuje dobrego modelu, ponieważ może on być nadal przeuczony.

Training
optymalizacja
+1

Overfitting

Przeuczenie (overfitting) występuje wtedy, gdy model zapamiętuje dane treningowe, łącznie z przypadkowymi osobliwościami i szumem, zamiast uchwycić ogólnie obowiązujące wzorce. Wydaje się wtedy bardzo dokładny na znanych danych, ale radzi sobie słabo z nowymi. Typowym sygnałem jest duża różnica między błędem treningowym a błędem testowym. Środki zaradcze to więcej lub bardziej zróżnicowane dane, prostsze modele, regularyzacja, dropout i walidacja krzyżowa.

jakość modelu
trenowanie
+1

Underfitting

Niedouczenie (underfitting) występuje wtedy, gdy model jest zbyt prosty, aby uchwycić zależności w danych. Popełnia wówczas wiele błędów zarówno na danych treningowych, jak i na nowych, na przykład gdy do odwzorowania wyraźnie zakrzywionego wzorca używa się linii prostej. Środki zaradcze to mocniejszy model, bardziej informatywne cechy, dłuższe trenowanie lub słabsza regularyzacja; przeciwny problem to przeuczenie.

Uczenie maszynowe
jakość modelu
+1

Błąd treningowy

Błąd treningowy wskazuje, jak bardzo przewidywania modelu odbiegają od poprawnych wartości dokładnie na tych danych, na których był trenowany. Sam w sobie mówi niewiele: liczy się porównanie z błędem generalizacji na nowych danych. Wysoki błąd treningowy wskazuje na niedouczenie; bardzo niski błąd treningowy w połączeniu z wysokim błędem na danych testowych zwykle sygnalizuje przeuczenie.

Uczenie maszynowe
Ocena
+1