بسيط جدا، معقد جدا، مدروس
لماذا هذا مهم النموذج مفيد فقط على البيانات التي لم يراها. قياس ذلك، بدلا من نتيجة التدريب، هو العادة الأولى لأي شخص يبني نماذج.
قم بملاءمة كثيرات حدود ذات درجات متزايدة لـ 30 نقطة مشوشة من منحنى أملس. الدرجة 1 هي خط مستقيم: بسيط جدا، فهو يفتقد الانحناء (underfitting). الدرجة 15 تنحني لتتبع الضجيج في هذه النقاط الـ 30 المحددة: خطأ التدريب الخاص بها هو الأقل بين الجميع (0.014)، ولكن على نقاط جديدة يكون أداؤه أسوأ من الدرجة 3 (0.075 مقابل 0.051). تلك الفجوة، حيث يكون خطأ التدريب أقل بكثير من الخطأ على البيانات الجديدة، هي overfitting. في مكان ما بينهما توجد نقطة مثالية.
لا ينخفض خطأ التدريب إلا مع ارتفاع الدرجة، لذا لا يمكنه إيجاد النقطة المثالية. خطأ validation، على النقاط التي لم يراها النموذج أبدا، يمكنه ذلك.
مجموعة التحقق: البيانات المحجوزة من التدريب والمستخدمة لاختيار الإعدادات مثل حجم النموذج.
الكلمات والرموز في هذا الدرس
- الإفراط في التخصيص، نقص التخصيص
- ملاءمة الضجيج في بيانات التدريب؛ أو بسيطة جداً لملاءمة النمط
- مجموعة التحقق
- البيانات المحفوظة المستخدمة لاختيار الإعدادات
اكتب errors(deg) الذي يعيد (train_mse, val_mse) لمتعددة حدود من الدرجة deg متوافقة مع np.polyfit على الـ 30 نقطة. ثم اضبط best_degree على الدرجة من 1 إلى 15 ذات أقل خطأ تحقق، محسوب من منحنى خاص بك.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.