먼저 이 사실을 증명하기 위해 차량이 재교육되지 않았는지 확인해야 합니다. 그리고 이 증명을 반복합니다. 재교육을 받지 않았다는 것을 증명할 수 없는 경우에는 사용할 수 없습니다.
이해가 될 것 같습니다.)
Переобучение (переподгонка, пере- в значении «слишком», англ. overfitting) в машинном обучении и статистике — явление, когда построенная модель хорошо объясняет примеры из обучающей выборки, но относительно плохо работает на примерах, не участвовавших в обучении (на примерах из тестовой выборки).
Это связано с тем, что при построении модели («в процессе обучения») в обучающей выборке обнаруживаются некоторые случайные закономерности, которые отсутствуют в генеральной совокупности.
Даже тогда, когда обученная модель не имеет чрезмерного количества параметров, можно ожидать, что эффективность её на новых данных будет ниже, чем на данных, использовавшихся для обучения[ 1 ]. В частности, значение коэффициента детерминации будет сокращаться по сравнению с исходными данными обучения.
Способы борьбы с переобучением зависят от метода моделирования и способа построения модели. Например, если строится дерево принятия решений, то можно обрезать некоторые его ветки в процессе построения.
https: //ru.wikipedia.org/wiki/Переобучение
이것은 다소 단순화된 정의라고 생각합니다. 따라서 모두 동일하게 사용할 수 있을 뿐만 아니라 필요할 수도 있습니다. 모든 것은 세부 사항에 달려 있습니다.
마이클 마르쿠카이테스 : 즐거움!!! 하지만 문제는 조금 다릅니다. 차량이 20% 침몰했다고 가정해 보겠습니다. 문제??? 그녀는 드로다운에서 벗어나 위에서부터 수익을 올릴 것인가 아니면 계속 합병할 것인가???? 차량을 다시 최적화해야 하는지 확인하는 방법 ???
테스터에서 새로 훈련된 모델이 이 기간 동안 20%의 감소를 제공하지 않았지만 이전 모델이 실제 생활에서 그랬다면 재훈련이 명확하고 모델은 관련성을 잃었으며 다음을 고려해야 합니다. 새로운 패턴. 새로운 거래가 있을 때마다 모델을 재교육하지 않는 이유는 무엇입니까? 나쁜 점은 무엇입니까? 또한 그녀에게 제출하기 위해 입구에서 거래 내역이 업데이트되었습니다.
테스터에서 새로 훈련된 모델이 이 기간 동안 20%의 감소를 제공하지 않았지만 이전 모델이 실제 생활에서 그랬다면 재훈련이 명확하고 모델은 관련성을 잃었으며 다음을 고려해야 합니다. 새로운 패턴. 새로운 거래가 있을 때마다 모델을 재교육하지 않는 이유는 무엇입니까? 나쁜 점은 무엇입니까? 또한 그녀에게 제출하기 위해 입구에서 거래 내역이 업데이트되었습니다.
)) 바로 어제 나는 이 주제에 대해 생각하고 있었습니다. 거래를 기록하고 거래가 완료된 후 입력에 교육 샘플을 적용하는 것이 좋겠다고 결정했습니다. 길을 따라 학습.
테스터에서 새로 훈련된 모델이 이 기간 동안 20%의 감소를 제공하지 않았지만 이전 모델이 실제 생활에서 그랬다면 재훈련이 명확하고 모델은 관련성을 잃었으며 다음을 고려해야 합니다. 새로운 패턴. 새로운 거래가 있을 때마다 모델을 재교육하지 않는 이유는 무엇입니까? 나쁜 점은 무엇입니까? 또한 그녀에게 제출하기 위해 입구에서 거래 내역이 업데이트되었습니다.
훈련, 재훈련 및 재훈련(과적합)은 근본적으로 다른 것입니다.
각각의 새로운 바에서 이러한 모든 교육은 이 포럼에서 그리고 일반적으로 TA의 틀 내에서 씹어 먹습니다.
과적합(과적합)과의 싸움에서 나는 두 가지 비법을 알고 있다.
1. 목표 변수와 관련이 없는 예측자에서 예측자 세트 지우기 - 노이즈에서 예측자 입력 세트 지우기. 이 스레드의 처음 100페이지에서 이 문제가 매우 자세히 고려되었습니다.
2. 노이즈를 제거한 예측 변수 세트를 가지고 훈련 샘플에 모델을 피팅(피팅)한 다음 한 파일의 임의 샘플인 테스트 및 검증 샘플에 피팅(피팅)을 시작합니다. 이 세 세트의 오류는 거의 동일해야 합니다.
3. 그런 다음 이전 파일과 별도로 위치한 파일을 가져와서 모델을 실행합니다. 오류는 이전 오류와 거의 동일해야 합니다.
4. 이러한 검사가 정기적으로 수행되면 "20% 감소는 재교육 신호"라는 질문은 전혀 가치가 없습니다. 처음 세 단계의 결과로 감소가 매개변수로 얻어졌기 때문입니다. 모델과 그 이상은 모델이 작동하지 않으며 다시 시작해야 한다고 말합니다.
즐거움!!! 하지만 문제는 조금 다릅니다. 차량이 20% 침몰했다고 가정해 보겠습니다. 문제??? 그녀는 드로다운에서 벗어나 위에서부터 수익을 올릴 것인가 아니면 계속 합병할 것인가???? 차량을 다시 최적화해야 하는지 확인하는 방법 ???
즐거움!!! 하지만 문제는 조금 다릅니다. 차량이 20% 침몰했다고 가정합니다. 문제??? 그녀는 드로다운에서 벗어나 위에서부터 수익을 올릴 것인가 아니면 계속 합병할 것인가???? 차량을 다시 최적화해야 하는지 확인하는 방법 ???
TS는 재교육을 받아서는 안 됩니다. 이것이 TS 작성의 요점입니다. 나머지는 모두 숫자 게임
TS는 재교육을 받아서는 안 됩니다. 이것이 TS 작성의 요점입니다. 나머지는 모두 숫자 게임
재교육을 받았거나 재교육을 받지 않았지만 조만간 그녀는 어떤 식으로든 병합을 시작할 것입니다. 나는 그것이 Mihail Marchukajtes 의 질문이라고 생각합니다. 언제 어떻게 알 수 있습니까?
당신은 "과도하게 훈련된"이라는 단어를 이해하지 못합니다.
먼저 이 사실을 증명하기 위해 차량이 재교육되지 않았는지 확인해야 합니다. 그리고 이 증명을 반복합니다. 재교육을 받지 않았다는 것을 증명할 수 없는 경우에는 사용할 수 없습니다.
당신은 "과도하게 훈련된"이라는 단어를 이해하지 못합니다.
먼저 이 사실을 증명하기 위해 차량이 재교육되지 않았는지 확인해야 합니다. 그리고 이 증명을 반복합니다. 재교육을 받지 않았다는 것을 증명할 수 없는 경우에는 사용할 수 없습니다.
이해가 될 것 같습니다.)
이것은 다소 단순화된 정의라고 생각합니다. 따라서 모두 동일하게 사용할 수 있을 뿐만 아니라 필요할 수도 있습니다. 모든 것은 세부 사항에 달려 있습니다.
우리는 대략적인 모델을 사용하며 이는 과적합으로 해석될 수 있습니다.
즐거움!!! 하지만 문제는 조금 다릅니다. 차량이 20% 침몰했다고 가정해 보겠습니다. 문제??? 그녀는 드로다운에서 벗어나 위에서부터 수익을 올릴 것인가 아니면 계속 합병할 것인가???? 차량을 다시 최적화해야 하는지 확인하는 방법 ???
테스터에서 새로 훈련된 모델이 이 기간 동안 20%의 감소를 제공하지 않았지만 이전 모델이 실제 생활에서 그랬다면 재훈련이 명확하고 모델은 관련성을 잃었으며 다음을 고려해야 합니다. 새로운 패턴. 새로운 거래가 있을 때마다 모델을 재교육하지 않는 이유는 무엇입니까? 나쁜 점은 무엇입니까? 또한 그녀에게 제출하기 위해 입구에서 거래 내역이 업데이트되었습니다.
테스터에서 새로 훈련된 모델이 이 기간 동안 20%의 감소를 제공하지 않았지만 이전 모델이 실제 생활에서 그랬다면 재훈련이 명확하고 모델은 관련성을 잃었으며 다음을 고려해야 합니다. 새로운 패턴. 새로운 거래가 있을 때마다 모델을 재교육하지 않는 이유는 무엇입니까? 나쁜 점은 무엇입니까? 또한 그녀에게 제출하기 위해 입구에서 거래 내역이 업데이트되었습니다.
이해가 될 것 같습니다.)
이것은 다소 단순화된 정의라고 생각합니다. 따라서 모두 동일하게 사용할 수 있을 뿐만 아니라 필요할 수도 있습니다. 모든 것은 세부 사항에 달려 있습니다.
우리는 대략적인 모델을 사용하며 이는 과적합으로 해석될 수 있습니다.
인용구에서 재교육은 기능에 대한 고려가 너무 미묘하지만 귀하의 경우 조잡함이 재교육입니까?!
네가 더 잘 알 잖아. 처음이 아닙니다.
테스터에서 새로 훈련된 모델이 이 기간 동안 20%의 감소를 제공하지 않았지만 이전 모델이 실제 생활에서 그랬다면 재훈련이 명확하고 모델은 관련성을 잃었으며 다음을 고려해야 합니다. 새로운 패턴. 새로운 거래가 있을 때마다 모델을 재교육하지 않는 이유는 무엇입니까? 나쁜 점은 무엇입니까? 또한 그녀에게 제출하기 위해 입구에서 거래 내역이 업데이트되었습니다.
훈련, 재훈련 및 재훈련(과적합)은 근본적으로 다른 것입니다.
각각의 새로운 바에서 이러한 모든 교육은 이 포럼에서 그리고 일반적으로 TA의 틀 내에서 씹어 먹습니다.
과적합(과적합)과의 싸움에서 나는 두 가지 비법을 알고 있다.
1. 목표 변수와 관련이 없는 예측자에서 예측자 세트 지우기 - 노이즈에서 예측자 입력 세트 지우기. 이 스레드의 처음 100페이지에서 이 문제가 매우 자세히 고려되었습니다.
2. 노이즈를 제거한 예측 변수 세트를 가지고 훈련 샘플에 모델을 피팅(피팅)한 다음 한 파일의 임의 샘플인 테스트 및 검증 샘플에 피팅(피팅)을 시작합니다. 이 세 세트의 오류는 거의 동일해야 합니다.
3. 그런 다음 이전 파일과 별도로 위치한 파일을 가져와서 모델을 실행합니다. 오류는 이전 오류와 거의 동일해야 합니다.
4. 이러한 검사가 정기적으로 수행되면 "20% 감소는 재교육 신호"라는 질문은 전혀 가치가 없습니다. 처음 세 단계의 결과로 감소가 매개변수로 얻어졌기 때문입니다. 모델과 그 이상은 모델이 작동하지 않으며 다시 시작해야 한다고 말합니다.
인용구에서 재교육은 기능에 대한 고려가 너무 미묘하지만 귀하의 경우 조잡함이 재교육입니까?!
네가 더 잘 알 잖아. 처음이 아닙니다.
무례도. 그러나 왜 조잡함 만. 정의에 또 다른 예가 있습니다. 지나치게 복잡한 모델은 존재하지 않는 것을 찾는 명백한 패턴입니다.
당신은 재교육, IMHO를 매우 단순하게 또는 일방적으로 이해합니다.
훈련, 재훈련 및 재훈련(과적합)은 근본적으로 다른 것입니다.
각각의 새로운 바에서 이러한 모든 교육은 이 포럼에서 그리고 일반적으로 TA의 틀 내에서 씹어 먹습니다.
과적합(과적합)과의 싸움에서 나는 두 가지 비법을 알고 있다.
.....
4. 이러한 검사가 정기적으로 수행되면 "20% 감소는 재교육 신호"라는 질문은 전혀 가치가 없습니다. 처음 세 단계의 결과로 감소가 매개변수로 얻어졌기 때문입니다. 모델과 그 이상은 모델이 작동하지 않으며 다시 시작해야 한다고 말합니다.