Mashinalarni o'rganishda maqsadli funktsiyani taxmin qilish

Overfittingni qanday cheklash mumkin
Haddan tashqari o'rnatish ham, mos kelmaslik ham modelning yomon ishlashiga olib kelishi mumkin. Biroq, amaliy mashinalarni o'rganishda eng keng tarqalgan muammo bu haddan tashqari moslashishdir.
Haddan tashqari moslash - bu juda muammo, chunki o'quv ma'lumotlari bo'yicha mashinani o'rganish algoritmlarini baholash biz uchun eng muhim bo'lgan baholashdan farq qiladi, ya'ni algoritm ko'rinmas ma'lumotlarda qanchalik yaxshi ishlashi.
Haddan tashqari moslashishni cheklash uchun mashinani o'rganish algoritmlarini baholashda ikkita muhim texnikadan foydalanishingiz mumkin:

1. 
   Modelning aniqligini baholash uchun qayta namuna olish texnikasidan foydalaning.
   
2. 
   Tekshirish ma'lumotlar to'plamini ushlab turing.
   

Qayta namuna olishning eng mashhur usuli bu k-katta o'zaro tekshirish. Bu sizga o'quv ma'lumotlarining turli to'plamlari bo'yicha modelingizning k-vaqtlarini o'rgatish va sinab ko'rish va ko'rinmas ma'lumotlar bo'yicha mashinani o'rganish modeli samaradorligini baholash imkonini beradi.
Tasdiqlash ma'lumotlar to'plami - bu sizning loyihangizning oxirigacha mashinani o'rganish algoritmlaridan saqlaydigan o'quv ma'lumotlaringizning kichik to'plami. Mashinani o'rganish algoritmlarini o'quv ma'lumotlar to'plamida tanlaganingizdan va sozlaganingizdan so'ng, modellar ko'rinmas ma'lumotlarda qanday ishlashi haqida yakuniy ob'ektiv fikrga ega bo'lish uchun tekshirish ma'lumotlar to'plamida o'rganilgan modellarni baholashingiz mumkin.
O'zaro tekshirishdan foydalanish ko'rinmas ma'lumotlar bo'yicha model aniqligini baholash uchun amaliy mashina o'rganishda oltin standart hisoblanadi. Agar sizda ma'lumotlar mavjud bo'lsa, tekshirish ma'lumotlar to'plamidan foydalanish ham ajoyib amaliyotdir.