Nilalaman
- Kahulugan - Ano ang ibig sabihin ng Overfitting?
- Isang Panimula sa Microsoft Azure at ang Microsoft Cloud | Sa buong gabay na ito, malalaman mo kung ano ang lahat ng cloud computing at kung paano makakatulong ang Microsoft Azure sa iyo upang lumipat at patakbuhin ang iyong negosyo mula sa ulap.
- Ipinapaliwanag ng Techopedia ang Overfitting
Kahulugan - Ano ang ibig sabihin ng Overfitting?
Sa mga istatistika at pag-aaral ng makina, ang pag-overfitting ay nangyayari kapag sinusubukan ng isang modelo na hulaan ang isang takbo sa data na masyadong maingay. Ang pag-aplay ay ang resulta ng isang sobrang kumplikadong modelo na may napakaraming mga parameter. Ang isang modelo na overfitted ay hindi tumpak dahil ang trend ay hindi sumasalamin sa katotohanan ng data.
Isang Panimula sa Microsoft Azure at ang Microsoft Cloud | Sa buong gabay na ito, malalaman mo kung ano ang lahat ng cloud computing at kung paano makakatulong ang Microsoft Azure sa iyo upang lumipat at patakbuhin ang iyong negosyo mula sa ulap.
Ipinapaliwanag ng Techopedia ang Overfitting
Ang isang overfitted na modelo ay isang modelo na may isang linya ng trend na sumasalamin sa mga pagkakamali sa data na sinanay ito, sa halip na tumpak na hulaan ang hindi nakikitang data. Ito ay mas mahusay na nakikita nang biswal na may isang graph ng mga puntos ng data at isang linya ng trend. Ang isang overfitted na modelo ay nagpapakita ng isang curve na may mas mataas at mas mababang mga puntos, habang ang isang maayos na angkop na modelo ay nagpapakita ng isang makinis na curve o isang linear regression.
Ang pangunahing problema sa pag-overfitting ay ang modelo ay epektibong na-memorize ang mga umiiral na mga punto ng data sa halip na subukang hulaan kung paano magiging hindi nakikita ang mga punto ng data.
Ang paglipas ng karaniwang karaniwang resulta mula sa isang labis na bilang ng mga puntos ng pagsasanay. Mayroong isang bilang ng mga pamamaraan na magagamit ng mga mananaliksik sa pag-aaral ng machine upang mapagaan ang overfitting, kabilang ang cross-validation, regularization, maagang paghinto, pruning, Bayesian priors, dropout at paghahambing sa modelo.