Deze browser wordt niet meer ondersteund.
Upgrade naar Microsoft Edge om te profiteren van de nieuwste functies, beveiligingsupdates en technische ondersteuning.
Wat is een voordeel van het normaliseren van gegevens?
Snellere trainingstijden
Nauwkeuriger verwijderen van ontbrekende waarden
Identificatie van voorkeursalgoritmen voor training
Een model dat u traint, presteert goed op uw trainingsset, maar slecht op uw testset. Wat gebeurt er waarschijnlijk?
Er is underfitting opgetreden en uw model is niet nauwkeurig genoeg. Je moet blijven trainen.
Er is overfitting opgetreden en uw model presteert niet goed op nieuwe gegevens buiten training. U kunt de training eerder stoppen of meer diverse gegevens verzamelen.
Uw model is in orde. In plaats daarvan moet u uw trainingsgegevens gebruiken om uw model te testen.
Uw model moet worden gebruikt in een uitdagende toepassing, waarbij u zeer betrouwbare prestaties moet hebben. Wat is een geschikte methode om de betrouwbaarheid van uw modellen in moeilijke situaties te testen?
Een grotere trainingsset maken
Gebruik de hold-out-benadering en maak een derde, speciale gegevensset die is gecureerd om voorbeelden te bevatten waarin de uitvoer van uw modellen moet voldoen aan prestatiedrempels.
Houd uw kosten goed in de gaten terwijl u traint. Als u variabiliteit krijgt, kunt u stoppen met trainen.
U moet alle vragen beantwoorden voordat uw werk kan worden gecontroleerd.
Doorgaan
Is deze pagina nuttig?