В этой статье я рассмотрю еще одну ключевую концепцию в нашей борьбе с чрезмерным/недостаточным обучением: компромисс между смещением и дисперсией. Одной из основных целей машинного обучения является создание моделей, которые могут хорошо обобщать данные, которые еще не были просмотрены. При построении модели важно убедиться, что она не слишком проста, чтобы не отражать тонкости задачи, и не слишком сложна, чтобы не пересекалась с обучающими данными. В этой статье мы обсудим..

Как наша модель учится — Эндрю Нг В дополнение к предыдущей проблеме смещения/дисперсии, на этот раз мы рассмотрим, как наши модели учатся (минимизируют ошибку/затраты), рассматривая кривые обучения. Этот пост будет охватывать 3 случая: исходная кривая обучения, ситуация с высоким смещением и ситуация с высокой дисперсией. Оригинальная кривая обучения Сначала, когда обучающие данные имеют только один пример, модель будет точной и не будет иметь ошибок. Однако по мере увеличения..

Декомпозиция алгоритмов машинного обучения по дисперсии смещения на практическом примере в Python Смещение и дисперсия — два ключевых понятия в оценке модели для машинного обучения, поскольку они тесно связаны с производительностью модели на невидимых данных. И смещение, и дисперсия являются типами ошибок ошибки прогнозирования. Третий тип ошибки — это неустранимая ошибка, которая является неотъемлемой ошибкой в ​​данных, которую нельзя уменьшить независимо от того, какой алгоритм..