MUONGOZO wa Misingi

Biashara ya Tofauti ya Upendeleo

Biashara ya tofauti ya upendeleo inaelezea kwa nini mfano unaweza kushindwa kwa kuwa rahisi sana au ngumu sana.

Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min

Anza kusomaChukua chemsha bongo
Katika ukurasa huudk 2 kusoma
  1. Muhtasari
  2. Dive ya kina
  3. Utekelezaji wa Ulimwengu Halisi
  4. Mustakabali wa Biashara ya Tofauti ya Upendeleo
  5. Kuiweka katika vitendo
  6. Endelea Kuchunguza
  7. Maswali yanayoulizwa mara kwa mara

Muhtasari

It's the central tension behind underfitting versus overfitting, and getting it right determines whether your model generalizes to new data.

Dive ya kina

Kila kosa la utabiri ambalo mtindo hufanya linaweza kugawanywa katika sehemu tatu: upendeleo, tofauti, na kelele isiyoweza kupunguzwa. Upendeleo ni hitilafu kutoka kwa mawazo yasiyo sahihi - mfano rahisi sana kunasa mchoro halisi, kama vile kuweka mstari ulionyooka kwenye curve (underfitting). Tofauti ni hitilafu kutoka kwa unyeti hadi sampuli mahususi ya mafunzo - modeli inayonyumbulika hivi kwamba inakariri mambo na kelele (kufifia kupita kiasi). Kukamata ni kwamba kupunguza moja huwa na kuinua nyingine. Polynomial ya kiwango cha juu hupunguza upendeleo lakini utabiri wake unabadilika sana kwa kila mkusanyiko mpya wa data. Lengo si kuondoa hitilafu zozote lakini kutafuta mahali pazuri ambapo jumla yao - jumla ya makosa yanayotarajiwa kwenye data isiyoonekana - ni ndogo zaidi.

Utekelezaji wa Ulimwengu Halisi

Kuchagua kina cha mti wa uamuzi: mti usio na kina kirefu (upendeleo wa juu), mti wenye kina kirefu sana hukariri safu za mafunzo (tofauti kubwa), kwa hivyo unarekebisha kina kupitia hitilafu ya uthibitishaji.

Kuweka uthabiti wa uthabiti (lambda) katika urejeshaji wa matuta au lasso ili kubadilishana na ongezeko dogo la upendeleo kwa kushuka kwa kiwango kikubwa cha tofauti na usahihi bora wa jaribio.

Kutumia misitu ya nasibu, ambayo wastani wa miti mingi yenye tofauti kubwa iliyotenganishwa ili kupunguza tofauti za jumla bila kuzidisha upendeleo.

Kuchukua idadi ya majirani k katika k-NN: k=1 ina tofauti kubwa na hufuata kelele, huku k kubwa sana ikipunguza laini na kuongeza upendeleo.

Mustakabali wa Biashara ya Tofauti ya Upendeleo

Kujifunza kwa kina kumetatiza hadithi ya kawaida. Watafiti waliona 'kushuka mara mbili,' ambapo makosa ya jaribio huinuka kwanza, kisha kushuka tena huku mitandao yenye vigezo vingi inapozidi kiwango cha ukalimani - inaonekana kukaidi U-curve. Kuelewa ni kwa nini miundo mikubwa hujumlisha licha ya makosa ya mafunzo ya karibu sufuri ni mpaka amilifu wa utafiti, unaohusishwa na urekebishaji kamili kutoka kwa viboreshaji kama SGD. Wataalamu wanazidi kutegemea urekebishaji wa majaribio, sheria za kuongeza viwango, na mikondo ya uthibitishaji badala ya ubadilishanaji wa vitabu pekee.

Kuiweka katika vitendo

Kwa nini ni muhimu

  • Maamuzi ya wazi zaidi. Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
  • Gharama na bajeti. Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
  • Timu na mtiririko wa kazi. Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.

Jihadharini na

  • Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
  • Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
  • Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.

Hatua zinazofuata

  1. Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
  2. Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
  3. Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
  4. Hati ambapo Bias-Variance Tradeoff husaidia na ambapo mbinu rahisi ni bora zaidi.

Endelea Kuchunguza

AI ni nini?

Pata dhana muhimu kabla ya kupiga mbizi zaidi.Soma Mwongozo

Jinsi AI Inajifunza

Kuelewa mchakato wa mafunzo nyuma ya mifumo ya kisasa.Soma Mwongozo

Jarida halali

Pata taarifa ya kila siku ya AI

Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.

Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.

Jijaribu mwenyewe

Take the Bias-Variance Tradeoff quiz

Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.

Anza chemsha bongo

Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango

Maswali yanayoulizwa mara kwa mara

What is Bias-Variance Tradeoff?

Biashara ya tofauti ya upendeleo inaelezea kwa nini mfano unaweza kushindwa kwa kuwa rahisi sana au ngumu sana. Ni mvutano wa kati nyuma ya kutofaa dhidi ya kuzidisha, na kuipata huamua kama kielelezo chako kinajumuisha data mpya.

Ni hali gani ambayo ni ishara ya kawaida ya tofauti kubwa (kupita kiasi)?

Tofauti kubwa huonekana kama pengo kubwa kati ya utendaji bora wa mafunzo na utendakazi duni wa jaribio - kielelezo kilikariri data ya mafunzo.

In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?

In the classic account, greater flexibility can reduce bias while increasing sensitivity to the sample. The guide also describes double descent, so this is not a universal monotonic law.

In a squared-error decomposition, squared bias is 2, variance is 3, and irreducible noise is 1. What is the total expected error?

The supplied bias term is already squared. Add the three components: 2 + 3 + 1 = 6.

Why can averaging many de-correlated trees help in the random-forest example?

The guide describes averaging high-variance, de-correlated trees as a way to reduce ensemble variance.

Endelea kujifunza

Miongozo inayohusiana

Miongozo zaidi imechaguliwa kwa mada hii

Pata cheti cha AI bureKozi fupi na mtihani bila malipo. Bila kadi. Hata dakika 2.5.Anza bure →