Tổng quan
Quá khớp là khi một mô hình ghi nhớ dữ liệu huấn luyện của nó và thất bại ở các mẫu mới; trang bị không đầy đủ là khi việc nắm bắt được mẫu thực tế quá đơn giản. Đạt được điểm phù hợp giữa chúng là thách thức trọng tâm của học máy.
Overfitting và Underfitting nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh.
Lặn sâu
Mọi mô hình đều phù hợp với một tập huấn luyện hữu hạn, nhưng mục tiêu là hoạt động tốt trên dữ liệu chưa nhìn thấy. Một mô hình overfit xử lý nhiễu và các điểm bất thường của tập huấn luyện như thể chúng là tín hiệu thực: nó có thể đạt 99% trên dữ liệu huấn luyện nhưng lại giảm xuống còn 70% trên tập kiểm tra. Một mô hình không phù hợp lại là vấn đề ngược lại, quá cứng nhắc để nắm bắt được cấu trúc cơ bản, do đó nó hoạt động kém trên cả dữ liệu huấn luyện và kiểm tra. Khoảng cách giữa hiệu suất đào tạo và kiểm tra là dấu hiệu nhận biết. Việc trang bị không đầy đủ cho thấy lỗi cao ở mọi nơi (độ lệch cao); trang bị quá mức cho thấy lỗi huấn luyện thấp nhưng lỗi kiểm tra cao (phương sai cao). Kỹ năng này là nhận biết bạn đang gặp phải vấn đề gì vì các giải pháp khắc phục sẽ đi theo hướng ngược lại.
Hiểu biết kỹ thuật
Quá khớp và thiếu khớp là hai đầu của sự đánh đổi giữa độ lệch và phương sai. Thành kiến là sai sót do các giả định được đơn giản hóa quá mức; phương sai là lỗi do quá nhạy cảm với mẫu đào tạo cụ thể. Một mô hình tuyến tính cực nhỏ có độ lệch cao và phương sai thấp (không phù hợp); một mô hình không bị ràng buộc lớn có độ lệch thấp và phương sai cao (phù hợp quá mức). Tổng sai số dự kiến sẽ phân rã thành bình phương thiên vị cộng với phương sai cộng với nhiễu không thể giảm được. Người thực hành phát hiện vấn đề bằng cách so sánh độ chính xác của tập huấn luyện với tập hợp xác thực được tổ chức, xem nơi hai đường cong phân kỳ.
Làm chủ trang bị quá mức và thiếu trang bị
Quá khớp là khi một mô hình ghi nhớ dữ liệu huấn luyện của nó và thất bại ở các mẫu mới; trang bị không đầy đủ là khi việc nắm bắt được mẫu thực tế quá đơn giản. Đạt được điểm phù hợp giữa chúng là thách thức trọng tâm của học máy. Overfitting và Underfitting nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh. Để xây dựng sự hiểu biết sâu sắc, hãy coi Overfitting và Underfitting như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể làm một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Overfitting và Underfitting xây dựng các mô hình khái niệm mạnh trước tiên, sau đó ánh xạ các mô hình đó tới các giới hạn sản xuất thực tế. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Đồng thời, các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Bộ lọc thư rác gắn cờ mọi email có chứa tên người gửi cụ thể vì người gửi đó tình cờ gửi thư rác nhiều trong dữ liệu đào tạo, thiếu hoàn toàn những người gửi thư rác mới (trang bị quá mức).
Một mô hình giá nhà chỉ sử dụng diện tích và bỏ qua vị trí, phòng ngủ và tình trạng nên rất thiếu sót ở những khu dân cư đắt tiền (không phù hợp).
Một bộ phân loại hình ảnh y tế học cách phát hiện hình mờ trên máy quét của bệnh viện thay vì căn bệnh và không thành công ở các bệnh viện khác (trang bị quá mức cho một tính năng giả).
Vẽ biểu đồ tổn thất đào tạo so với tổn thất xác thực trong quá trình đào tạo và dừng khi tổn thất xác thực bắt đầu tăng trong khi tổn thất đào tạo tiếp tục giảm (bắt sớm quá mức).
Các mẫu triển khai
Trang bị quá mức và thiếu trang bị trong thực tế
Bộ lọc thư rác gắn cờ mọi email có chứa tên người gửi cụ thể vì người gửi đó tình cờ gửi thư rác nhiều trong dữ liệu đào tạo, thiếu hoàn toàn những người gửi thư rác mới (trang bị quá mức).
Bộ lọc thư rác gắn cờ mọi email chứa tên người gửi cụ thể vì người gửi đó tình cờ gửi thư rác nhiều trong dữ liệu đào tạo, bỏ sót hoàn toàn những người gửi thư rác mới (trang bị quá mức) Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.
Trang bị quá mức và thiếu trang bị trong thực tế
Một mô hình giá nhà chỉ sử dụng diện tích và bỏ qua vị trí, phòng ngủ và tình trạng nên rất thiếu sót ở những khu dân cư đắt tiền (không phù hợp).
Một mô hình giá nhà chỉ sử dụng mét vuông và bỏ qua vị trí, phòng ngủ và điều kiện, do đó, nó rất tệ ở những khu dân cư đắt tiền (không trang bị đầy đủ). Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí sai sót theo thời gian.
Trang bị quá mức và thiếu trang bị trong thực tế
Một bộ phân loại hình ảnh y tế học cách phát hiện hình mờ trên máy quét của bệnh viện thay vì căn bệnh và không thành công ở các bệnh viện khác (trang bị quá mức cho một tính năng giả).
Một bộ phân loại hình ảnh y tế học cách phát hiện hình mờ của máy quét của bệnh viện thay vì căn bệnh và thất bại ở các bệnh viện khác (trang bị quá mức cho một tính năng giả mạo). Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Trang bị quá mức và thiếu trang bị trong thực tế
Vẽ biểu đồ tổn thất đào tạo so với tổn thất xác thực trong quá trình đào tạo và dừng khi tổn thất xác thực bắt đầu tăng trong khi tổn thất đào tạo tiếp tục giảm (bắt sớm quá mức).
Vẽ sơ đồ tổn thất đào tạo so với tổn thất xác thực trong quá trình đào tạo và dừng khi tổn thất xác thực bắt đầu tăng trong khi tổn thất đào tạo tiếp tục giảm (bắt kịp quá sớm) Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Ghi lại những chỗ mà Overfitting và Underfitting hữu ích và những chỗ mà các phương pháp đơn giản hơn sẽ tốt hơn.
Ghi lại những chỗ mà Overfitting và Underfitting hữu ích và những chỗ mà các phương pháp đơn giản hơn sẽ tốt hơn. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.