Mashinani o'rganish va chuqur o'rganish uchun Regularizatsiya zarur. Bu

Shovqin va signal 
Signal - bu modelga tegishli ma'lumotlarni o'rganishga yordam beradigan 
naqsh. Biroq, shovqin - bu tasodifiy va ahamiyatsiz ma'lumotlar shakli bo'lib, siz 
natijada ishtirok etishni xohlamaysiz. Biz modellarimiz ahamiyatsiz ma'lumotlarni 
o'z ichiga olishini va natijalarimizga ta'sir qilishini xohlamaymiz. Ushbu 
tartibsizlikning sababi modelning algoritmidir. U mashg'ulot jarayonida xatolarni 
o'rgatadi va yo'q qiladi. 
Uzoq vaqt davomida o'qitish, hatto barcha xatolarni bartaraf etgandan keyin 
ham, unumdorlikni pasaytiradi, chunki model ahamiyatsiz ma'lumotlarni o'rganishni 
boshlaydi. Bu bizning modelimizni murakkablashtiradi va u yangi ma'lumotlarga 
umumlasha olmaydi. Yaxshi algoritm shovqin va signalni ajratadi. 
Regulyatsiya qanday ishlaydi 
Modelni "ortiqcha moslashtirish" ning asosiy sababi shundaki, u juda ko'p 
ahamiyatsizligi sababli ma'lumotlarga umumlasha olmaydi. Biroq, Regularizatsiya 
modelning aniqligini yaxshilaydigan va keraksiz og'ishlarni kamaytiradigan 
samarali usuldir. 
Bundan tashqari, bu usul o'rnatish bilan yuzaga keladigan muhim 
ma'lumotlarning yo'qolishini oldini oladi. Regularizatsiyalash modelga ilgari 
o'rganilgan misollarni yangi ko'rinmaydigan ma'lumotlarga qo'llash orqali 
o'rganishga yordam beradi. Turli parametrlarni nolga tushirish orqali modelning 
sig'imini kamaytirish ham mumkin. Regularizatsiyalash muayyan funktsiyalardan 
qo'shimcha og'irliklarni olib tashlaydi va bu og'irliklarni teng ravishda taqsimlaydi. 

---

Keling, bu qanday ishlashini aniqlaymiz. Modelning to'g'ri ishlashini 
xohlasak, biz yo'qotish funktsiyasini aniqlaymiz. Ushbu yo'qotish funktsiyasi 
yo'qotishni hisoblash orqali modelning ma'lumotlardagi ishlashini aniqlaydi. To'g'ri 
modelni topish uchun yo'qotishlarni kamaytirishimiz kerak. Buning uchun 
Regularizatsiya yo'qotish funktsiyasini jazolash uchun lambda qo'shadi. Biz ushbu 
texnikadan optimal yechimni olamiz, chunki u kichikroq lambda qiymatlari uchun 
yuqori o'quv xatolarini rad etadi va kattaroq lambda qiymatlari bilan murakkabroq 
modellarni rad etadi.