Den här webbläsaren stöds inte längre.
Uppgradera till Microsoft Edge och dra nytta av de senaste funktionerna och säkerhetsuppdateringarna, samt teknisk support.
Vad är en fördel med att normalisera data?
Snabbare träningstider
Mer exakt borttagning av saknade värden
Identifiering av förmånsalgoritmer för träning
En modell som du tränar presterar bra på din träningsuppsättning, men dåligt på din testuppsättning. Vad händer troligen?
Underanpassning har inträffat och din modell är inte tillräckligt exakt. Du bör fortsätta träna.
Överanpassning har inträffat och din modell presterar inte bra på nya data utanför träningen. Du kan sluta träna tidigare eller samla in mer olika data.
Din modell är bra. Du måste använda dina träningsdata för att testa modellen i stället.
Din modell ska användas i ett utmanande program, där du måste ha mycket tillförlitlig prestanda. Vad är en lämplig metod för att testa dina modellers tillförlitlighet i svåra situationer?
Skapa en större träningsuppsättning
Använd hold-out-metoden och skapa en tredje särskild datauppsättning som är granskad för att inkludera exempel där dina modellers utdata måste uppfylla prestandatrösklar.
Håll ett öga på din kostnad när du tränar. Om du får variabilitet kan du sluta träna.
Du måste svara på alla frågor innan du kontrollerar ditt arbete.
Fortsätt
Var den här sidan till hjälp?