Terlalu sederhana, terlalu rumit, terukur
Kenapa ini penting Sebuah model hanya berguna pada data yang belum pernah dilihatnya. Mengukur itu, bukan skor pelatihan, adalah kebiasaan pertama siapa pun yang membangun model.
Pasang polinomial dengan derajat yang makin tinggi pada 30 titik bising dari sebuah kurva mulus. Derajat 1 adalah garis lurus: terlalu sederhana, ia melewatkan lengkungannya (underfitting). Derajat 15 melengkung mengikuti bising di 30 titik tertentu ini: galat pelatihannya paling rendah dari semuanya (0.014), tetapi pada titik baru ia lebih buruk daripada derajat 3 (0.075 dibanding 0.051). Celah itu, galat pelatihan jauh di bawah galat pada data baru, adalah overfitting. Di antara keduanya ada titik terbaik.
Galat pelatihan hanya bisa turun seiring derajat naik, jadi ia tidak bisa menemukan titik terbaik itu. Galat validasi, pada titik-titik yang tidak pernah dilihat oleh fit, bisa.
Set validasi: data yang ditahan dari pelatihan dan dipakai untuk memilih pengaturan seperti ukuran model.
Kata dan simbol di pelajaran ini
- overfitting, underfitting
- menyesuaikan diri dengan bising di data latih; atau terlalu sederhana untuk menangkap polanya
- set validasi
- data yang ditahan untuk memilih pengaturan
Tulis errors(deg) yang mengembalikan (train_mse, val_mse) untuk polinomial derajat-deg yang disesuaikan dengan np.polyfit pada 30 titik. Lalu atur best_degree ke derajat dari 1 sampai 15 dengan error validasi terendah, yang dihitung dari kurva milikmu sendiri.
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.