الإفراط في التجهيز

الإفراط في التجهيز إنها ظاهرة في التعلم الآلي. يشير إلى الموقف الذي يتم فيه تعلم بعض السمات الموجودة في العينة والتي ليست ضرورية للتصنيف. في هذه الحالة، لا يعد نموذج شجرة القرار المستفاد هو النموذج الأمثل وسيؤدي إلى انخفاض أداء التعميم.

تأثير الإفراط في التجهيز

في الإحصاء والتعلم الآلي، يتم استخدام الإفراط في التجهيز بشكل عام لوصف الأخطاء العشوائية أو الضوضاء في النماذج الإحصائية. يحدث هذا عادةً عندما يكون النموذج معقدًا للغاية، مثل وجود عدد كبير جدًا من المعلمات. سيؤدي الإفراط في التجهيز إلى إضعاف الأداء التنبئي للنموذج وزيادة تقلب البيانات.

ماذا يمكنك أن تفعل لتجنب الإفراط في التجهيز؟

هناك العديد من العوامل التي يمكن أن تؤدي إلى الإفراط في التجهيز، وعادة ما يكون ذلك بسبب القدرة المفرطة على التعلم. لذلك، إذا سعينا بشكل أعمى إلى تحسين القدرة التنبؤية لبيانات التدريب، فإن تعقيد النموذج المحدد سيكون في كثير من الأحيان أعلى من النموذج الحقيقي، مما سيؤدي إلى الإفراط في التجهيز.

لتجنب الإفراط في التجهيز، من الضروري استخدام بعض التقنيات الإضافية مثل التحقق المتبادل، والتنظيم، والتوقف المبكر، ومعيار المعلومات البايزي، ومعيار المعلومات أكايكي، أو مقارنة النموذج للإشارة إلى متى لا يؤدي المزيد من التدريب إلى تعميم أفضل.

كيفية حل مشكلة الإفراط في التجهيز

1) إعادة تنظيف البيانات. تعتبر هذه الطريقة مناسبة للمواقف التي تكون فيها البيانات غير نقية؛

2) تقليل عدد عينات التدريب؛

3) تقليل تعقيد النموذج؛

4) زيادة معامل مصطلح التنظيم؛

5) استخدم طريقة التسرب؛

6) التوقف المبكر؛

7) تقليل عدد التكرارات؛

8) زيادة معدل التعلم؛

9) إضافة بيانات الضوضاء؛

10) إجراء التقليم في بنية الشجرة.

كلمات ذات صلة: نقص التجهيز