Glosar

Curba de învățare

Ce este Curba de învățare?

În machine learning, o curbă de învățare este un grafic ce arată performanța sau eroarea unui model în funcție de timpul de antrenare sau de cantitatea de date de antrenare, de obicei separat pentru datele de antrenare și cele de validare. Forma ei dezvăluie dacă un model este subînvățat sau supraînvățat și dacă mai multe date ar putea ajuta. Dacă, de exemplu, eroarea de validare rămâne mult peste eroarea de antrenare, aceasta indică supraînvățare. În limbajul curent, termenul descrie și cât de repede stăpânesc oamenii o tehnologie nouă.

Subiecte

Training
Evaluarea modelelor
diagnosticare

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

Convergență

În machine learning, convergența înseamnă că o procedură de antrenare se apropie de o stare stabilă: pierderea (loss) abia mai scade, iar parametrii modelului se modifică doar minim. Dacă un model converge și cât de repede depinde de factori precum rata de învățare, calitatea datelor și arhitectura modelului. Dacă rata de învățare este prea mare, pierderea sare de colo-colo; dacă este prea mică, antrenarea durează inutil de mult. Convergența nu garantează un model bun, deoarece acesta poate fi totuși supraînvățat.

Training
optimizare
+1

Overfitting

Supraajustarea (overfitting) apare atunci când un model memorează datele de antrenare, inclusiv particularitățile întâmplătoare și zgomotul, în loc să surprindă tipare general valabile. Pare apoi foarte precis pe datele cunoscute, dar are performanțe slabe pe date noi. O diferență mare între eroarea de antrenare și cea de testare este un semn tipic. Contramăsurile includ mai multe date sau date mai variate, modele mai simple, regularizare, dropout și validare încrucișată.

calitatea modelului
antrenare
+1

Underfitting

Subajustarea (underfitting) apare atunci când un model este prea simplu pentru a surprinde relațiile din date. Face atunci multe erori atât pe datele de antrenare, cât și pe date noi, de exemplu când se folosește o dreaptă pentru a reprezenta un tipar clar curbat. Remediile includ un model mai puternic, caracteristici mai informative, antrenare mai îndelungată sau mai puțină regularizare; problema opusă este supraajustarea.

Învățare automată
calitatea modelului
+1

Eroare de antrenare

Eroarea de antrenare indică cât se abat predicțiile unui model de la valorile corecte exact pe datele pe care a fost antrenat. În sine, spune puțin: contează comparația cu eroarea de generalizare pe date noi. O eroare de antrenare mare indică subajustare; o eroare de antrenare foarte mică, combinată cu o eroare mare pe datele de testare, semnalizează de obicei supraajustare.

Învățare automată
Evaluare
+1