Alborapen-bariantza-konpromisoa ikaskuntza automatikoaren oinarrizko kontzeptua da, eredu baten errendimendu eta orokortze gaitasunarekin erlazionatzen duena.
Alborapena mundu errealeko arazo bat hurbiltzean sartutako erroreari egiten zaio erreferentzia, ikaskuntza-algoritmoko hipotesi sinpleegietatik sor daitekeena. Alborapen handiak ereduak eginbideen eta helburu-irteeren arteko erlazio garrantzitsuak galtzea eragin dezake, etaegokitzea** eragin dezake, non ereduak entrenamenduetan eta ikusi gabeko datuetan errendimendu txarra duen.
Bariantzak, berriz, ereduaren entrenamendu-datuen gorabeheren aurrean sentikortasunari egiten dio erreferentzia. Ereduaren orokortzeko gaitasuna neurtzen du, zarata baino ereduak harrapatuz. Bariantza handia, sarritan, entrenamendu-datuen zarata edo ausazko gorabeherak ikasten dituzten eredu konplexuegietatik sortzen da, eta gehiegizko egokitzea dakar: prestakuntza-datuetan ondo funtzionatzen dute baina ikusten ez diren datuetan gaizki.
Konpromisoa gertatzen da alborapena gutxitzeak bariantza areagotzen duelako eta alderantziz. Biak aldi berean minimizatzea erronka da eta askotan ezinezkoa da. Hori dela eta, ikusten ez diren datuen errore osoa minimizatzen duen oreka optimoa aurkitzea da helburua.
Alborapen-bariantza trukea kudeatzeko estrategiak hauek dira:
Balioztapen gurutzatua:
Erabili k-fold baliozkotze gurutzatua bezalako teknikak ereduaren errendimendua datuen hainbat azpimultzotan ebaluatzeko. Horrek ereduak alborapen handia edo bariantza handia duen ulertzen laguntzen du.
Erregularizazioa:
L1 edo L2 erregularizazioa bezalako erregularizazio-teknikak sartu eredu konplexuegiak zigortzeko, bariantza murriztuz eta gehiegizko egokitzapena saihestuz.
Ezaugarrien hautaketa/murrizketa:
Aukeratu ezaugarri garrantzitsuak eta murriztu dimentsioa, eredua datuetan zaratara gehiegi egokitzea ekiditeko, eta horrela bariantza murrizteko.
Ensemble metodoak:
Erabili multzo-teknikak, adibidez, bagging (adibidez, Random Forests) edo boosting (adibidez, Gradient Boosting Machines) hainbat eredu konbinatzen dituztenak, bariantza murrizteko, alborapena mantenduz edo are murrizteko.
Ereduaren konplexutasunaren kontrola:
Egokitu ereduaren konplexutasuna hiperparametroak aldatuz edo eredu sinpleagoak edo konplexuagoak erabiliz, alborapenaren eta bariantzaren arteko oreka lortuz.
Alborapenaren deskonposizioaren analisia:
Aztertu alborapena eta bariantza osagaiak bereizita ereduaren portaerari buruzko ikuspegiak lortzeko eta egokitzapen informatuak egiteko.
Bildu datu gehiago:
Datu-multzoaren tamaina handitzeak eredua hobeto orokortzen lagun dezake, azpiko eredu gehiago jasoz eta bariantza murriztuz.
Alborapenaren bariantza-konpromisoa ulertuz eta kudeatuz, ikaskuntza automatikoko profesionalek ikusten ez diren datuetara ondo orokortzen diren ereduak garatu ditzakete, errendimendu orokorra eta fidagarritasuna hobetuz.
