Ашыкча жабдылышы моделдин машыгуу маалыматтарындагы негизги үлгүлөрдү гана эмес, ошондой эле ошол конкреттүү маалымат топтомундагы шууну жана кокустукту үйрөнгөндө пайда болот. Мунун натыйжасында окутуу маалыматтарында абдан жакшы иштеген, бирок жаңы, көрүнбөгөн маалыматтаргажалпыланбаган** үлгү пайда болот.
Идентификация
-
Окутуудагы жогорку тактык, тестирлөөнүн төмөн тактыгы: Негизги көрсөткүчтөрдүн бири моделдин машыгуу маалыматтарында өзгөчө жакшы, бирок тест же валидация маалыматтарында начар иштегени.
-
Моделдин татаалдыгы: Ашыкча моделдер өтө татаал, адатта, негизги үлгүлөрдү эмес, ызы-чууну кармайт.
-
Визуализациялар: Тренингдин жана валидация топтомдорунун натыйжалуулугун көрсөткөн окуу ийри сызыктары сыяктуу сюжеттер, эгер машыгуу көрсөткүчтөрү валидация көрсөткүчтөрү жогорулап же төмөндөп бара жатса, ашыкча ылайыктуулугун көрсөтөт.
Ашыкча түйшүктү азайтуу үчүн алдын алуу жана ыкмалары
-
Кросс-валидация: k-кабат кайчылаш валидация сыяктуу ыкмалар моделдин жакшы жалпылаштырылышын камсыз кылуу менен, маалыматтардын ар кандай бөлүмдөрүндөгү иштешин баалоого жардам берет.
-
Тренинг-Валидация-Тесттин бөлүнүшү: Маалыматтарды окутуу, валидациялоо жана тестирлөө үчүн өзүнчө топтомдорго бөлүү моделдин көрүнбөгөн маалыматтар боюнча бааланышын камсыздайт.
-
Функцияны тандоо: Азыраак маалымат берүүчү атрибуттардан ызы-чуу болбостон, моделди үйрөтүү үчүн эң керектүү функцияларды гана колдонуңуз.
-
Регуляризация: L1 же L2 регуляризациясы сыяктуу ыкмалар моделдин жоготуу функциясына айып шарттарын кошуп, өтө татаал моделдерди жокко чыгарат.
-
Эрте токтотуу: Валидациялык топтомдо моделдин иштешине көз салыңыз жана машыгуу маалыматтарын ашыкча оптималдаштырууга жол бербөө менен иштөө начарлай баштаганда машыгууну токтотуңуз.
-
Ансамблдик методдор: Каптоо, көтөрүү же стекке салуу сыяктуу ыкмаларды колдонуу бир нече моделдердин божомолдорун айкалыштыруу менен ашыкча тууралоону азайтууга жардам берет.
-
Маалыматтарды көбөйтүү: Моделдердин айрым түрлөрү үчүн, учурдагы берилиштерге трансформацияларды же ызы-чууларды колдонуу менен кошумча окуу маалыматтарын түзүү ашыкча тууралоонун алдын алууга жардам берет.
Моделдин татаалдыгын, берилиштер топтомунун өлчөмүн жана регуляризациялоо ыкмаларын тең салмактоо, моделдин жаңы, көрүнбөгөн маалыматтарга жакшы жалпыланышын камсыз кылуу менен ашыкча жабдылышын алдын алуу үчүн абдан маанилүү.
