Ordlista

Konvergens

Vad är Konvergens?

Inom maskininlärning betyder konvergens att en träningsprocedur närmar sig ett stabilt tillstånd: förlusten minskar knappt längre och modellens parametrar ändras bara minimalt. Om och hur snabbt en modell konvergerar beror på faktorer som inlärningshastighet, datakvalitet och modellarkitektur. Är inlärningshastigheten för hög hoppar förlusten omkring; är den för låg tar träningen onödigt lång tid. Konvergens garanterar inte en bra modell, eftersom den ändå kan vara överanpassad.

Ämnen

  • Training
  • Optimering
  • Maskininlärning

Prova KI.ordo

Agenter, flöden och mallar i en arbetsyta – gratis demo i 24 timmar.

Starta demo
← Alla begrepp

Relaterade begrepp

Gradientnedstigning

Gradientnedstigning är den optimeringsmetod som används för att träna de flesta AI-modeller. Man mäter hur stort modellens fel är, beräknar i vilken riktning parametrarna måste ändras för att minska det och tar sedan ett litet steg i den riktningen – om och om igen. Det är som en vandrare i dimma som hela tiden går nedför för att nå dalen. Stegstorleken (inlärningshastigheten) avgör fart och stabilitet.

  • Optimering
  • Modellträning
  • +1

Inlärningskurva

Inom maskininlärning är en inlärningskurva ett diagram som visar en modells prestanda eller fel över träningstid eller mängden träningsdata, vanligtvis separat för tränings- och valideringsdata. Dess form avslöjar om en modell är under- eller överanpassad och om mer data sannolikt hjälper. Om valideringsfelet till exempel ligger klart över träningsfelet tyder det på överanpassning. I vardagligt språk beskriver begreppet också hur snabbt människor lär sig en ny teknik.

  • Training
  • Modellutvärdering
  • +1

Träningsfel

Träningsfel anger hur mycket en modells förutsägelser avviker från de korrekta värdena på exakt de data den tränades på. I sig säger det lite: det som räknas är jämförelsen med generaliseringsfelet på nya data. Ett högt träningsfel tyder på underanpassning; ett mycket lågt träningsfel i kombination med ett högt fel på testdata signalerar vanligtvis överanpassning.

  • Maskininlärning
  • Bedömning
  • +1

Hyperparameteroptimering

Hyperparametrar är inställningar som fastställs innan en modell tränas, till exempel inlärningshastigheten, antalet lager eller regulariseringens styrka. Hyperparameteroptimering söker systematiskt efter den kombination som presterar bäst på valideringsdata, till exempel genom rutnätssökning, slumpmässig sökning eller bayesiansk optimering. Väl valda värden förbättrar träffsäkerheten och minskar över- och underanpassning, men sökningen kostar beräkningstid.

  • Training
  • Modellkvalitet
  • +1