Demasiado simple, demasiado complejo, medido
Por qué importa Un modelo solo sirve con datos que no ha visto. Medir eso, en vez de la puntuación de entrenamiento, es el primer hábito de cualquiera que construye modelos.
Ajusta polinomios de grado creciente a 30 puntos con ruido sacados de una curva suave. El grado 1 es una recta: demasiado simple, no ve la curva (subajuste). El grado 15 se dobla para seguir el ruido de estos 30 puntos concretos: su error de entrenamiento es el más bajo de todos (0.014), pero con puntos nuevos va peor que el grado 3 (0.075 frente a 0.051). Esa distancia, un error de entrenamiento muy por debajo del error con datos nuevos, es el sobreajuste. En algún punto intermedio está el punto óptimo.
El error de entrenamiento solo baja a medida que sube el grado, así que no puede encontrar el punto óptimo. El error de validación, con puntos que el ajuste nunca vio, sí puede.
Conjunto de validación: datos apartados del entrenamiento que se usan para elegir ajustes como el tamaño del modelo.
Palabras y símbolos de esta lección
- sobreajuste, subajuste
- ajustar el ruido de los datos de entrenamiento; o ser demasiado simple para ajustar el patrón
- conjunto de validación
- datos apartados que se usan para elegir ajustes
Escribe errors(deg) que devuelva (train_mse, val_mse) para un polinomio de grado deg ajustado con np.polyfit a los 30 puntos. Luego pon en best_degree el grado de 1 a 15 con el error de validación más bajo, calculado a partir de tu propia curva.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.