Underfitting e Overfitting
Esta é a tensão central em todo o aprendizado de máquina, e agora você tem as ferramentas para vê-la diretamente. Um modelo pode falhar de duas formas opostas.
- Underfitting: o modelo é simples demais para capturar o padrão. Ele vai mal tanto nos dados de treinamento quanto nos dados de teste. Pense em desenhar uma linha reta através de dados que claramente se curvam.
- Overfitting: o modelo é complexo demais e memoriza os dados de treinamento, incluindo seu ruído e peculiaridades. Ele tem um ótimo desempenho no treinamento, mas um desempenho ruim no teste, porque ele aprendeu os exemplos específicos em vez da regra geral.
A decision tree é controlada por max_depth, o número de camadas de perguntas que ela tem permissão:
shallow = DecisionTreeClassifier(max_depth=1, random_state=0) # too simple
deep = DecisionTreeClassifier(max_depth=None, random_state=0) # unlimitedUma árvore de profundidade-1 A pode fazer apenas uma pergunta, então ela é forçada a ser bruta e tende a ter subajuste. Uma árvore de profundidade ilimitada continua dividindo até isolar as linhas de treinamento, então ela pode levar a acurácia training a um perfeito 1.0 enquanto performa pior em linhas test não vistas.
O sinal claro de overfitting é um gap: acurácia de treinamento muito maior que a acurácia de teste. Toda a arte de ajustar um modelo é encontrar a complexidade média que vai bem nos dados de teste, que é a única pontuação que conta.
Você vai treinar uma árvore rasa e uma profunda, registrar a accuracy de treino e teste para cada uma, e calcular o overfitting gap para que a relação esteja ali nos números.
Um conjunto de dados ruidoso e uma divisão treino/teste já estão preparados. Treine shallow = DecisionTreeClassifier(max_depth=1, random_state=0) e deep = DecisionTreeClassifier(max_depth=None, random_state=0) nos dados de treinamento. Registre quatro números: shallow_train, shallow_test, deep_train, deep_test (acurácia no conjunto correspondente para cada árvore). Depois defina overfit_gap = deep_train - deep_test.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.