बहुत सादा, बहुत जटिल, मापा
यह क्यों मायने रखता है एक model बस उस डेटा पर काम का है जो उसने नहीं देखा। training अंक के बजाय उसे मापना models बनाने वाले हर किसी की पहली आदत है।
एक चिकने वक्र से 30 शोर वाले बिंदुओं पर बढ़ती degree के polynomials fit करें। Degree 1 एक सीधी रेखा है: बहुत सादा, यह मोड़ चूकता है (underfitting)। Degree 15 इन ख़ास 30 बिंदुओं के शोर का पीछा करने के लिए मुड़ता है: इसकी training त्रुटि सबमें सबसे कम है (0.014), पर नए बिंदुओं पर यह degree 3 से बुरा करता है (0.051 के मुक़ाबले 0.075)। वह अंतर, training त्रुटि नए डेटा की त्रुटि से बहुत नीचे, overfitting है। बीच में कहीं एक मीठा बिंदु है।
degree बढ़ने के साथ training त्रुटि बस गिरती है, इसलिए यह मीठा बिंदु नहीं ढूँढ सकती। Validation त्रुटि, उन बिंदुओं पर जो fit ने कभी नहीं देखे, ढूँढ सकती है।
Validation set: training से रोका डेटा जो model आकार जैसी settings चुनने के लिए इस्तेमाल होता है।
इस पाठ के शब्द और चिह्न
- overfitting, underfitting
- training डेटा का शोर fit करना; या pattern fit करने के लिए बहुत सादा
- validation set
- settings चुनने के लिए इस्तेमाल रोका डेटा
30 बिंदुओं पर np.polyfit से fit किए degree-deg polynomial के लिए (train_mse, val_mse) लौटाने वाला errors(deg) लिखें। फिर best_degree को 1 से 15 तक की सबसे कम validation त्रुटि वाली degree पर सेट करें, अपने वक्र से निकाली।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।