Slovar pojmov

Krivulja učenja

Kaj je Krivulja učenja?

Pri strojnem učenju je krivulja učenja grafikon, ki prikazuje zmogljivost ali napako modela skozi čas učenja ali glede na količino učnih podatkov, običajno ločeno za učne in validacijske podatke. Njena oblika pokaže, ali je model premalo ali preveč prilagojen in ali bo več podatkov verjetno pomagalo. Če na primer validacijska napaka ostaja precej nad učno, to kaže na čezmerno prilagajanje. V vsakdanjem jeziku izraz opisuje tudi, kako hitro ljudje osvojijo novo tehnologijo.

Teme

Training
Vrednotenje modelov
Diagnostika

Preizkusite KI.ordo

Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.

Začni predstavitev

← Vsi pojmi

Sorodni pojmi

Konvergenca

Pri strojnem učenju konvergenca pomeni, da se postopek učenja približuje stabilnemu stanju: izguba se skoraj ne zmanjšuje več, parametri modela pa se spreminjajo le minimalno. Ali in kako hitro model konvergira, je odvisno od dejavnikov, kot so stopnja učenja, kakovost podatkov in arhitektura modela. Če je stopnja učenja previsoka, izguba skače; če je prenizka, učenje traja po nepotrebnem dolgo. Konvergenca ne zagotavlja dobrega modela, saj je ta lahko še vedno čezmerno prilagojen.

Training
Optimizacija
+1

Overfitting

Preveliko prileganje nastane, ko si model zapomni podatke za učenje, vključno z naključnimi posebnostmi in šumom, namesto da bi zajel splošno veljavne vzorce. Na znanih podatkih potem deluje zelo natančno, na novih pa slabo. Tipičen znak je velika razlika med napako pri učenju in napako pri testiranju. Protiukrepi so več ali bolj raznolikih podatkov, preprostejši modeli, regularizacija, izpuščanje (dropout) in navzkrižno preverjanje.

kakovost modela
učenje
+1

Underfitting

Premajhno prileganje nastane, ko je model preveč preprost, da bi zajel povezave v podatkih. Potem dela veliko napak tako na podatkih za učenje kot na novih podatkih, na primer kadar z ravno črto predstavimo izrazito ukrivljen vzorec. Rešitve so zmogljivejši model, bolj informativne značilnice, daljše učenje ali manj regularizacije; nasprotna težava je preveliko prileganje.

Strojno učenje
Kakovost modela
+1

Napaka pri učenju

Napaka pri učenju pove, za koliko se napovedi modela razlikujejo od pravilnih vrednosti na natanko tistih podatkih, na katerih se je učil. Sama po sebi pove malo: pomembna je primerjava z napako posploševanja na novih podatkih. Visoka napaka pri učenju kaže na premajhno prileganje; zelo nizka napaka pri učenju v kombinaciji z visoko napako na testnih podatkih običajno pomeni preveliko prileganje.

Strojno učenje
Ocena
+1