Slovník pojmov

Učebná krivka

Čo je Učebná krivka?

V strojovom učení je učebná krivka graf, ktorý ukazuje výkon alebo chybu modelu v závislosti od času trénovania alebo množstva trénovacích údajov, zvyčajne osobitne pre trénovacie a validačné údaje. Jej tvar prezrádza, či je model nedostatočne alebo nadmerne prispôsobený a či viac údajov pravdepodobne pomôže. Ak napríklad validačná chyba zostáva výrazne nad trénovacou chybou, ukazuje to na preučenie. V bežnom jazyku pojem označuje aj to, ako rýchlo si ľudia osvoja novú technológiu.

Témy

Training
Hodnotenie modelov
diagnostika

Vyskúšajte KI.ordo

Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.

Spustiť demo

← Všetky pojmy

Súvisiace pojmy

Konvergencia

V strojovom učení konvergencia znamená, že sa trénovací postup blíži k stabilnému stavu: strata už takmer neklesá a parametre modelu sa menia len minimálne. Či a ako rýchlo model skonverguje, závisí od faktorov, ako sú rýchlosť učenia, kvalita údajov a architektúra modelu. Ak je rýchlosť učenia príliš vysoká, strata poskakuje; ak je príliš nízka, trénovanie trvá zbytočne dlho. Konvergencia nezaručuje dobrý model, pretože môže byť stále preučený.

Training
optimalizácia
+1

Overfitting

Preučenie (overfitting) nastáva, keď si model zapamätá trénovacie dáta vrátane náhodných zvláštností a šumu, namiesto toho, aby zachytil všeobecne platné vzory. Na známych dátach potom pôsobí veľmi presne, no na nových dátach podáva slabý výkon. Typickým znakom je veľký rozdiel medzi chybou na trénovacích a testovacích dátach. Protiopatrenia zahŕňajú viac či rozmanitejšie dát, jednoduchšie modely, regularizáciu, dropout a krížovú validáciu.

kvalita modelu
trénovanie
+1

Underfitting

Nedoučenie (underfitting) nastáva, keď je model príliš jednoduchý na to, aby zachytil vzťahy v dátach. Robí potom veľa chýb na trénovacích dátach aj na nových dátach, napríklad keď sa na zobrazenie jasne zakriveného vzoru použije priamka. Nápravou je výkonnejší model, informatívnejšie príznaky, dlhšie trénovanie alebo slabšia regularizácia; opačným problémom je preučenie.

Strojové učenie
kvalita modelu
+1

Trénovacia chyba

Trénovacia chyba udáva, o koľko sa predpovede modelu odchyľujú od správnych hodnôt práve na dátach, na ktorých bol trénovaný. Sama o sebe vypovedá málo: dôležité je porovnanie s generalizačnou chybou na nových dátach. Vysoká trénovacia chyba poukazuje na nedoučenie; veľmi nízka trénovacia chyba spojená s vysokou chybou na testovacích dátach zvyčajne signalizuje preučenie.

Strojové učenie
Hodnotenie
+1