Nhazi
Nhazi bụ usoro usoro na-ama ụma na-amachibido ihe nlereanya ka ọ na-agbakọta na data ọhụrụ kama iburu usoro ọzụzụ n'isi.
Nchịkọta
It is the main toolkit for fighting overfitting.
Ime miri emi
Ọ bụrụ na ejideghị ya, ihe nlereanya na-agbanwe agbanwe ga-agbagọ onwe ya ka ọ dabara na isi ihe ọ bụla na data ọzụzụ, gụnyere mkpọtụ. Nhazi na-akwaghachi azụ site n'ịgbakwunye ntaramahụhụ ma ọ bụ mmachi na-akwado ngwọta dị mfe. Ụdị ndị a na-ahụkarị na-agbakwụnye okwu na ọrụ ọnwụ na-adabere na nha nke ihe atụ. Nhazi nke L2 (ire ire arọ) na-ata ahụhụ buru ibu nke ọma, na-agbadata na efu ma na-emepụta ụdị dị nro. Nhazi L1 na-ata ahụhụ oke uru nke ịdị arọ ma nwee ike ibuga ụfọdụ n'ụzọ niile gaa na efu, na-ahọpụta nke ọma nke ọma. Na agafe ntaramahụhụ arọ, nkwụsị nkwụsị na-agbanyụ neurons n'enweghị usoro n'oge ọzụzụ, nkwụsịtụ n'oge na-akwụsị ọzụzụ tupu ịmalite imebiga ihe ókè, na mmụba data na-agbasawanye usoro ọzụzụ dị irè. Onye ọ bụla na-azụta ntakịrị izi ezi ọzụzụ maka ịrụ ọrụ nke ọma n'ụwa.
Nghọta nka nka
Ọtụtụ nhazigharị na-emegharị ebumnobi onye na-ebuli elu na-ebelata. Kama ibelata njehie amụma, ị na-ebelata njehie gbakwunyere oge lambda ntaramahụhụ na nha, ebe lambda na-achịkwa ike. L2 na-agbakwụnye nchikota nke squared arọ, na-agba ume ọtụtụ obere ihe dị arọ; L1 na-agbakwụnye nchikota nke nha zuru oke, na-agba ume sparsity na efu efu. Dropout na-arụ ọrụ n'ụzọ dị iche: site na ịmegharị ọrụ na-enweghị usoro nke ọ bụla, ọ na-egbochi neurons imekọ ihe ọnụ yana ihe dị ka ọzụzụ nke mkpokọta subnetworks. Ihe ndị a niile na-ebelata ihe dị iche iche n'ọnụ ọnụ nke ntakịrị ntakịrị mkparị.
Mmetụta atụmatụ
Mkpebi doro anya
Ọ na-enyere gị aka ikewapụta nkwupụta ọrụ aka doro anya na asụsụ ahịa.
Ọnụ ego na mmefu ego
Ị nwere ike ịjụ ajụjụ mmejuputa iwu ka mma tupu itinye ego ma ọ bụ oge.
Team na usoro ọrụ
Ndị otu nwere nghọta na-eme ka ngwaahịa, amụma na mkpebi mmụta ka mma.
Ọdịnihu nke Regularization
Ntaramahụhụ doro anya dị ka L2 na nkwụsịtụ ka bụ ọkọlọtọ, mana nlebara anya na-atụgharị gaa na nhazi nke ọma, ụzọ ndị na-ebuwanye ibu dị ka stochastic gradient agbada na-eji nwayọ na-eleda nnukwu ụdị maka azịza n'ozuzu ya ọbụlagodi na enweghị ntaramahụhụ agbakwunyere. Usoro dị ka ịhịa aka n'ahụ, ngwakọta, na nkwalite data siri ike na-esiwanyewanye ike n'ịzụ nnukwu ọhụụ na ụdị asụsụ. Na-atụ anya nyocha ọzọ maka ihe kpatara netwọkụ ndị nwere oke oke na-emegide imebiga ihe ókè, yana n'ime ụzọ mgbanwe nke na-emezi ike ịhazigharị na-akpaghị aka n'oge ọzụzụ kama ịdabere na nchọ akwụkwọ ntuziaka.
Mmejuputa n'ezie n'ụwa
Ịgbakwunye L2 arọ ire ure na a miri emi image classifier otú ọ generalizes si ọtụtụ puku foto ọzụzụ na-adịghị ahụ anya.
Iji nhazigharị L1 n'ụdị genomics iji họrọ obere mkpụrụ ndụ ihe nketa na-ebu amụma n'ezie nsonaazụ n'ime puku kwuru puku.
Itinye akwụkwọ nkwụsị na netwọk nkwanye ka ọ ghara ịdabere na mgbama onye ọrụ ọ bụla karịa.
Ịkwụsị ọzụzụ n'oge ozugbo mfu nkwado na-akwụsị imeziwanye, n'agbanyeghị na mfu ọzụzụ nwere ike ịga n'ihu na-agbada.
Ihe ize ndụ & okporo ụzọ nche
Otu dị iche iche nwere ike iji otu okwu ahụ mee ihe n'ụzọ dị iche, yabụ kọwapụta oge n'oge.
Ihe nrịbama nwere ike ịdị ike ebe arụmọrụ ụwa na-adaghị adaba.
Ileghara ogo data na atụmatụ nyocha anya na-emepụtakarị nsonaazụ na-adịghị mma.
Map mmejuputa
Malite na nkọwa asụsụ dị larịị nke nsonaazụ ịchọrọ.
Họrọ otu metrik ịga nke ọma na otu ọnọdụ ọdịda tupu nnwale.
Gbaa obere onye na-anya ụgbọ elu nwere data nnọchite anya, ọ bụghị ihe ngosi ngosi na-egbu maramara.
Detuo ebe nhazi na-enyere aka yana ebe ụzọ ndị dị mfe dị mma.
Nọgide na-eme nchọpụta
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Regularization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Ntuziaka na-esote
Ịdị arọ na nhazi nke L2
Ajụjụ a na-ajụkarị
What is Regularization?
Nhazi bụ usoro usoro na-ama ụma na-amachibido ihe nlereanya ka ọ na-agbakọta na data ọhụrụ kama iburu usoro ọzụzụ n'isi. Ọ bụ ngwa ọrụ bụ isi maka ịlụ ọgụ oke mma.
Gịnị bụ isi ebumnobi nke imechi?
Nhazi na-ama ụma na-amachibido ihe nlereanya iji kụda mmụọ iburu data ọzụzụ ahụ n'isi, na-emeziwanye arụmọrụ na ihe atụ a na-adịghị ahụ anya.
Kedu usoro nhazigharị nke nwere ike ibuba ụfọdụ arọ kpọmkwem na efu, na-ahọpụta atụmatụ nke ọma?
L1 na-ata ahụhụ zuru oke nke ịdị arọ, nke na-achọ ịkwanye obere ihe dị arọ na efu, na-eme nhọrọ njirimara akpaka. L2 na-ebelata ịdị arọ nke ọma mana ọ na-adịkarị obere ka ọ bụrụ efu.
Kedu ka ịhapụ akwụkwọ si ahazi netwọkụ akwara ozi n'oge ọzụzụ?
Mwepu n'enweghị ihe ọ bụla na-edobe akụkụ nke mmegharị usoro ọzụzụ ọ bụla, na-egbochi neurons ịdabere kpamkpam n'ebe ibe ha nọ yana ịgbakọ mkpokọta nke netwọkụ subnetwork.
Na mfu oge niile 'njehie + lambda × penalty', kedu ihe na-abawanye lambda na-eme?
Lambda na-achịkwa ike nhazigharị. Lambda buru ibu na-enye ntaramahụhụ karịa mmetụta, na-ebelata ịdị arọ karịa na ụdị dị mfe.
Kedu ihe kpatara enwere ike were nkwụsị n'oge dị ka ụdị nhazigharị?
Ịkwụsị mgbe arụmọrụ nkwado kwụsịrị imeziwanye na-egbochi ihe nlereanya ahụ ịga n'ihu n'ime ọchịchị ebe ọ na-eburu mkpọtụ n'isi, dịka ndị na-emezigharị ihe ndị ọzọ na-amachi mgbagwoju anya.