Introductie
De manier waarop we modellen trainen is geen perfect geautomatiseerd proces. Het blind vertrouwen van training op gegevens kan ertoe leiden dat er dingen worden geleerd die uiteindelijk niet nuttig zijn of om niet effectief dingen te leren die echt nuttig zijn. In het volgende leermateriaal worden enkele eenvoudige redenen beschreven waarom underfitting en overfitting plaatsvinden en wat u eraan kunt doen.
Scenario: Trainingsvalanche reddingshonden
In deze module gebruiken we het volgende voorbeeldscenario om underfitting en overfitting uit te leggen. Dit scenario is ontworpen om een voorbeeld te geven van hoe u aan deze concepten kunt voldoen tijdens het programmeren voor uzelf. Houd er rekening mee dat deze principes over het algemeen van toepassing zijn op bijna alle typen modellen, niet alleen op de modellen waarmee we hier werken.
Het is tijd voor je liefdadigheidsinstelling om een nieuwe generatie honden te trainen in het vinden van wandelaars die door lawines zijn opgezwommen. Er is een debat op kantoor over welke honden het beste zijn; Is een grote hond beter dan een kleinere hond? Moeten de honden worden getraind wanneer ze jong zijn of wanneer ze volwassener zijn? Gelukkig hebt u statistieken over reddingsacties die u de afgelopen jaren kunt uitvoeren. Trainingshonden zijn echter duur en u moet er zeker van zijn dat uw criteria voor het kiezen van honden goed zijn.
Vereisten
- Bekendheid met machine learning-modellen
Leerdoelen
In deze module leert u het volgende:
- Functienormalisatie definiëren.
- Maak en werk met testgegevenssets.
- Verwoorden hoe testmodellen zowel training kunnen verbeteren als schaden.