Qeyri-variasiya mübadilə modeli maşın öyrənməsində əsas anlayışdır və modelin performans və ümumiləşdirmə qabiliyyətinə aiddir.
Qərəz öyrənmə alqoritmində həddən artıq sadələşdirilmiş fərziyyələrdən yarana bilən real dünya probleminintəqribi hesablanması nəticəsində yaranansəhvə aiddir. Yüksək qərəzlilik modelin xüsusiyyətlər və hədəf nəticələri arasında müvafiq əlaqələri qaçırmasına səbəb ola bilər ki, bu da uyğunsuzluğa gətirib çıxara bilər - burada model həm təlim, həm də görünməyən məlumatlar üzrə zəif işləyir.
Varians isə modelin təlim məlumatlarında dalğalanmalara həssaslığına istinad edir. O, modelin səs-küydən çox nümunələri tutmaqla ümumiləşdirmə qabiliyyətini ölçür. Yüksək variasiya tez-tez məşq məlumatlarında səs-küy və ya təsadüfi dalğalanmaları öyrənən həddən artıq mürəkkəb modellərin nəticəsidir ki, bu da həddindən artıq uyğunlaşmaya gətirib çıxarır—təlim məlumatlarında yaxşı, lakin görünməyən məlumatlarda zəif çıxış edir.
Mübadilə ona görə baş verir ki, qərəzliyin azalması tez-tez variasiyanı artırır və əksinə. Hər ikisini eyni vaxtda minimuma endirmək çətin və çox vaxt qeyri-mümkündür. Buna görə də, məqsəd görünməyən məlumatlarda ümumi xətanı minimuma endirən optimal balansı tapmaqdır.
Qərəz-variasiya mübadilələrini idarə etmək üçün strategiyalara aşağıdakılar daxildir:
Çarpaz doğrulama:
Verilənlərin çoxsaylı alt dəstlərində modelin performansını qiymətləndirmək üçün k-qat çarpaz doğrulama kimi üsullardan istifadə edin. Bu, modelin yüksək qərəzli və ya yüksək dəyişkənlikdən əziyyət çəkdiyini anlamağa kömək edir.
Tənzimləmə:
Həddindən artıq mürəkkəb modelləri cəzalandırmaq, variasiyanı azaltmaq və həddən artıq uyğunlaşmanın qarşısını almaq üçün L1 və ya L2 tənzimləmə kimi nizamlama üsullarını tətbiq edin.
Xüsusiyyət seçimi/azaldılması:
Modelin datadakı səs-küyə həddən artıq uyğunlaşmasının qarşısını almaq üçün müvafiq xüsusiyyətləri seçin və ölçüləri azaldın və bununla da fərqi azaldın.
Ansambl üsulları:
Qabaqcıllığı qoruyarkən və ya hətta azaldarkən müxtəlifliyi azaltmaq üçün çoxlu modeli birləşdirən torbalama (məsələn, Təsadüfi Meşələr) və ya təkmilləşdirmə (məsələn, Qradient Artırma Maşınları) kimi ansambl üsullarından istifadə edin.
Model mürəkkəbliyinə nəzarət:
Hiperparametrləri dəyişdirərək və ya daha sadə və ya daha mürəkkəb modellərdən istifadə edərək, qərəz və variasiya arasında tarazlıq yaratmaqla modelin mürəkkəbliyini tənzimləyin.
Qərəz-Varians parçalanma təhlili:
Modelin davranışı haqqında anlayışlar əldə etmək və məlumatlı düzəlişlər etmək üçün qərəz və dispersiya komponentlərini ayrıca təhlil edin.
Daha çox məlumat toplayın:
Verilənlər dəstinin ölçüsünü artırmaq daha çox əsas nümunələri tutaraq və fərqliliyi azaltmaqla modelin daha yaxşı ümumiləşdirilməsinə kömək edə bilər.
Qeyri-variasiya mübadilələrini başa düşmək və idarə etməklə, maşın öyrənməsi üzrə praktikantlar ümumi performansı və etibarlılığı yaxşılaşdıraraq, görünməyən məlumatlara yaxşı ümumiləşdirən modellər hazırlaya bilərlər.
