Glossário

Curva de aprendizagem

O que é Curva de aprendizagem?

No machine learning, uma curva de aprendizagem é um gráfico que mostra o desempenho ou o erro de um modelo ao longo do tempo de treino ou da quantidade de dados de treino, normalmente em separado para os dados de treino e de validação. A sua forma revela se um modelo sofre de subajuste ou de sobreajuste e se mais dados são suscetíveis de ajudar. Se o erro de validação se mantiver bem acima do erro de treino, por exemplo, isso aponta para sobreajuste. Na linguagem corrente, o termo descreve também a rapidez com que as pessoas dominam uma nova tecnologia.

Temas

Training
Avaliação de modelos
Diagnóstico

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Convergência

No machine learning, convergência significa que um processo de treino se aproxima de um estado estável: a perda quase já não diminui e os parâmetros do modelo mudam apenas minimamente. Se um modelo converge, e com que rapidez, depende de fatores como a taxa de aprendizagem, a qualidade dos dados e a arquitetura do modelo. Se a taxa de aprendizagem for demasiado alta, a perda oscila; se for demasiado baixa, o treino demora desnecessariamente. A convergência não garante um bom modelo, pois este pode ainda estar sobreajustado.

Training
Otimização
+1

Overfitting

O sobreajuste (overfitting) ocorre quando um modelo memoriza os dados de treino, incluindo particularidades aleatórias e ruído, em vez de captar padrões de validade geral. Parece então muito exato com os dados conhecidos, mas tem um mau desempenho com dados novos. Uma grande diferença entre o erro de treino e o erro de teste é um sinal típico. Entre as contramedidas contam-se mais dados ou dados mais variados, modelos mais simples, regularização, dropout e validação cruzada.

qualidade do modelo
treino
+1

Underfitting

O subajuste (underfitting) ocorre quando um modelo é demasiado simples para captar as relações nos dados. Comete então muitos erros tanto nos dados de treino como em dados novos, por exemplo quando se usa uma reta para representar um padrão claramente curvo. Entre as soluções contam-se um modelo mais potente, características mais informativas, treino mais longo ou menos regularização; o problema oposto é o sobreajuste.

Aprendizagem automática
Qualidade do modelo
+1

Erro de treino

O erro de treino indica quanto as previsões de um modelo se desviam dos valores corretos precisamente nos dados com que foi treinado. Por si só, diz pouco: o que importa é a comparação com o erro de generalização em dados novos. Um erro de treino elevado aponta para subajuste; um erro de treino muito baixo combinado com um erro elevado nos dados de teste sinaliza, em geral, sobreajuste.

Aprendizagem automática
Avaliação
+1