Troppo semplice, troppo complesso, misurato
Perché è importante Un modello è utile solo sui dati che non ha visto. Misurare questo, invece del punteggio di addestramento, è la prima abitudine di chiunque costruisca modelli.
Adatta polinomi di grado crescente a 30 punti rumorosi presi da una curva liscia. Il grado 1 è una retta: troppo semplice, non coglie la curva (underfitting). Il grado 15 si piega per seguire il rumore di questi 30 punti in particolare: il suo errore di addestramento è il più basso di tutti (0.014), ma sui punti nuovi fa peggio del grado 3 (0.075 contro 0.051). Quello scarto, l'errore di addestramento molto sotto l'errore sui dati nuovi, è l'overfitting. Da qualche parte in mezzo c'è il punto giusto.
L'errore di addestramento scende soltanto al salire del grado, quindi non può trovare il punto giusto. L'errore di validazione, su punti che l'adattamento non ha mai visto, sì.
Set di validazione: dati tenuti fuori dall'addestramento e usati per scegliere impostazioni come la dimensione del modello.
Parole e simboli di questa lezione
- overfitting, underfitting
- adattarsi al rumore dei dati di addestramento; oppure essere troppo semplici per adattarsi allo schema
- set di validazione
- dati tenuti da parte usati per scegliere le impostazioni
Scrivi errors(deg) che restituisce (train_mse, val_mse) per un polinomio di grado deg adattato con np.polyfit sui 30 punti. Poi imposta best_degree sul grado da 1 a 15 con l'errore di validazione più basso, calcolato dalla tua curva.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.