Публикации по теме 'regularization'


Краткое изложение: «Отсев: простой способ предотвратить переобучение нейронных сетей»
Что вы получите, прочитав эту статью? Это будет краткое изложение основных выводов из статьи Dropout: A Simple Way to Prevent Neural Networks from Overfitting » кафедры компьютерных наук Университета Торонто, опубликованной в журнале Журнал исследований в области машинного обучения . Кто пишет эту статью? Я Олле из dataalliance.io и работаю с лекциями и семинарами для организаций, чтобы использовать возможности машинного обучения. Ключевые области для понимания Что такое..
Лассо и регрессия хребта — Объяснение методов регуляризации для начинающих
Введение Линейная регрессия — это широко используемый метод машинного обучения, который можно использовать для прогнозирования результатов на основе входных переменных. Однако в некоторых случаях обычной линейной регрессии может быть недостаточно. Например, наличие мультиколлинеарности между входными переменными и переобучение могут привести к высокой дисперсии и плохой работе модели. Именно здесь вступают в игру такие методы регуляризации, как регрессия Лассо и регрессия гребня. Путем..
Работа с переоснащением
Одной из основных проблем машинного обучения, с которой можно столкнуться, является переоснащение . Переобучение — это ситуация, когда наша модель пытается втиснуть данные, а не понять их. С технической точки зрения наша модель соответствует шуму данных, а не шаблону. Переоснащение обычно происходит, когда признаков слишком много. Переобученная модель хорошо работает на обучающих данных, но плохо работает на тестовых данных. Очевидно, вы не хотите, чтобы это произошло. Итак,..
Нейронные сети: переобучение и регуляризация
Поздравляем, вы создали нейронную сеть! Теперь вы можете обучить его и использовать для классификации вещей. Если вы использовали популярный курс, вы, вероятно, сделали курс, который классифицирует написанные от руки цифры как числа, возможно, вы сделали курс, который определяет, является ли изображение кошкой или собакой, действительно полезный материал. Вы, вероятно, даже добавили некоторые дополнительные вещи, чтобы помочь ему лучше обучаться, возможно, нормализацию или перетасовку..
Простое объяснение регуляризации (L1 и L2)
Простое объяснение регуляризации (L1 и L2) Однако один из наиболее важных методов повышения производительности модели сбил с толку многих специалистов по данным во время применения. В этой статье я дам простое объяснение метода регуляризации и того, почему полезно уменьшить переобучение. Также полезно получить это понимание, прежде чем появляться на интервью по науке о данных, поскольку это один из распространенных вопросов в большинстве интервью. Вы также можете найти реализацию..
Оптимизация и регуляризация линейной регрессии с использованием sklearn
Линейная регрессия y = w1.x1 + w2.x2 + ……. + wn.xn где x1,x2,….,xn — входные признаки, w1,w2,….,wn — соответствующие веса, а y — прогнозируемый результат модели. Линейная регрессия — это не что иное, как поиск оптимальных значений весов, чтобы модель могла хорошо работать с невидимыми точками данных в реальном мире. Чтобы узнать больше о линейной регрессии, ознакомьтесь с другими медианными статьями, потому что эта статья посвящена методам оптимизации и регуляризации с..
ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ
ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ Логистическая регрессия - это контролируемый алгоритм машинного обучения, используемый в задачах двоичной классификации, то есть цель имеет только два возможных значения. Например, ее можно использовать для прогнозирования рака у пациента, где цель = 0 означает отсутствие рака и наоборот, или определить письмо как спам или отсутствие спама и т. д. ДОПУЩЕНИЯ ЛР Логистическая регрессия предполагает, что данные почти или линейно разделимы. Это требует,..