Underfitting dan Overfitting
Inilah ketegangan utama di seluruh machine learning, dan sekarang kamu punya alat untuk melihatnya langsung. Sebuah model bisa gagal dengan dua cara yang berlawanan.
- Underfitting: model terlalu sederhana untuk menangkap polanya. Ia buruk pada data latih maupun data uji. Bayangkan menarik garis lurus melewati data yang jelas melengkung.
- Overfitting: model terlalu rumit dan menghafal data latih, termasuk bising dan keanehannya. Skornya bagus pada data latih tetapi buruk pada data uji, karena ia mempelajari contoh-contoh tertentu, bukan aturan umumnya.
Kerumitan decision tree dikendalikan oleh max_depth, jumlah lapisan pertanyaan yang diizinkan:
shallow = DecisionTreeClassifier(max_depth=1, random_state=0) # too simple
deep = DecisionTreeClassifier(max_depth=None, random_state=0) # unlimitedPohon dengan kedalaman 1 hanya boleh mengajukan satu pertanyaan, jadi ia terpaksa kasar dan cenderung underfit. Pohon tanpa batas kedalaman terus membelah sampai memisahkan baris-baris latih, jadi ia bisa mendorong akurasi latih sampai sempurna 1.0 sambil lebih buruk pada baris uji yang belum dilihat.
Tanda khas overfitting adalah sebuah celah: akurasi latih jauh lebih tinggi daripada akurasi uji. Seluruh keahlian menyetel model adalah menemukan kerumitan di tengah yang bagus pada data uji, satu-satunya skor yang dihitung.
Kamu akan melatih pohon dangkal dan pohon dalam, mencatat akurasi latih dan uji untuk masing-masing, dan menghitung celah overfitting supaya hubungannya terlihat langsung di angka.
Dataset yang berisik dan pembagian train/test sudah disiapkan. Latih shallow = DecisionTreeClassifier(max_depth=1, random_state=0) dan deep = DecisionTreeClassifier(max_depth=None, random_state=0) pada data training. Catat empat angka: shallow_train, shallow_test, deep_train, deep_test (akurasi pada set yang cocok untuk setiap pohon). Lalu atur overfit_gap = deep_train - deep_test.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.