бир жактуу дисперсияны алмаштыруу бул моделдин жалпылоо катасын түшүнүүгө жардам берген негизги түшүнүк.
Bias-Viance Decomposition
Бир тараптуулук чыныгы көйгөйдү жөнөкөйлөштүрүлгөн модель менен жакындатуу аркылуу киргизилген катага тиешелүү. Бул биздин моделдин орточо божомолу менен биз болжолдоого аракет кылып жаткан туура маанининортосундагыайырманы билдирет. Жогорку бетме-бет көп учурда жетишсиздикке алып келет — ашыкча жөнөкөйлөштүрүлгөн моделдер, алар маалыматтардын татаалдыгын кармай алышпайт.
Варианс, экинчи жагынан, моделдин берилиштер топтомундагы термелүүлөргө сезгичтигин өлчөйт. Ал модель ар кандай маалымат топтомдорунда үйрөтүлгөндө анын божомолдору канчалык өзгөрөөрүн санайт. Жогорку дисперсия ашыкча жабдылышына алып келиши мүмкүн — машыгуу маалыматтарында жакшы иштеген, бирок жаңы, көрүнбөгөн маалыматтарга начар жалпыланган моделдер.
Моделдин татаалдыгы менен соодалашуу жана байланыш
Артыкчылык менен дисперсиянын ортосундагы соодалашуу абдан маанилүү. Моделдин татаалдыгы жогорулаган сайын, бир тараптуулук адатта төмөндөйт (модель татаалыраак үлгүлөрдү кармай алат), бирок дисперсия өсүү тенденциясына ээ болот (модель ызы-чууга жана окутуу маалыматтарынын өзгөчөлүктөрүнө сезгич болуп калат). Бул эки компонентти тең салмактоо моделдин оптималдуу иштешине жетүү үчүн ачкычы болуп саналат.
Ката салымы жана эсептөө
Күтүлгөн болжолдоо катасы үч бөлүккө бөлүнөт:
-
Кайталангыс ката (ызы-чуу)
-
Квадрат бурчтуу
-
Variance
Математикалык жактан:
Күтүлүүчү ката = Кайталангыс ката + Артыкчылык2+ Дисперсия
Артыкчылыкты жана дисперсияны түздөн-түз эсептөө татаал болушу мүмкүн, өзгөчө реалдуу дүйнөдөгү маалыматтар үчүн. кайчылаш валидация, окуу ийри сызыктары же машыгуу жана валидация үчүн берилиштер топтомунун ар кандай топтомдорун колдонуу сыяктуу техникалар бул компоненттерди баалоого жардам берет.
Жогорку бир тараптуулукту же жогорку дисперсияны чечүү үчүн стратегиялар
-
Жогорку бетме-бет: Жогорку тенденцияны азайтуу үчүн, татаалыраак моделдерди колдонуу менен моделдин татаалдыгын жогорулатууга болот (мисалы, көбүрөөк функцияларды кошуу, сызыктуу моделдердин ордуна нейрон тармактарын колдонуу).
-
Жогорку дисперсия: Жогорку дисперсияны чечүү үчүн регуляризация (мис., Lasso, Ridge), моделдин татаалдыгын азайтуу (функцияларды тандоо, өлчөмдүүлүктү азайтуу) же көбүрөөк маалымат чогултуу сыяктуу ыкмалар пайдалуу болушу мүмкүн.
Талдоо аркылуу жакшыртуу
Бир жактуу дисперсияны талдоо менен биз моделдин жүрүм-турумун түшүнө алабыз. Биз көйгөйгө тиешелүү татаалдык деңгээлин тандап, модель туура эмес же ашыкча туура келерин түшүнүп, ишти жакшыртуу үчүн тиешелүү стратегияларды колдоно алабыз.
Мисалы, эгерде модель жогорку дисперсияны көрсөтсө, анда функциялардын санын азайтуу же регуляризациялоо ыкмаларын колдонуу менен аны жөнөкөйлөтүүнү карап чыгышыбыз мүмкүн. Тескерисинче, эгер ал жогорку бурмалоону көрсөтсө, татаалыраак моделди колдонуу же тиешелүү функцияларды кошуу жардам берет.
Акыр-аягы, максат көрүнбөгөн маалыматтарга жакшы жалпыланган моделдерди түзүү үчүн бир тараптуулук менен дисперсиянын ортосундагы балансты түзүү.
