Simples demais, complexo demais, medido
Por que isso importa Um modelo só é útil em dados que ele não viu. Medir isso, em vez da pontuação de treinamento, é o primeiro hábito de quem constrói modelos.
Ajuste polinômios de grau crescente a 30 pontos ruidosos de uma curva suave. O Grau 1 é uma linha reta: simples demais, ele perde a curva (underfitting). O Grau 15 curva para seguir o ruído nesses 30 pontos específicos: seu erro de treinamento é o menor de todos (0.014), mas em novos pontos ele faz pior que o grau 3 (0.075 contra 0.051). Esse intervalo, erro de treinamento muito abaixo do erro em novos dados, é overfitting. Em algum lugar entre eles está o ponto ideal.
O erro de treinamento só cai conforme o grau aumenta, então ele não consegue encontrar o ponto ideal. O erro de validation, em pontos que o ajuste nunca viu, consegue.
Conjunto de validação: dados reservados do treinamento e usados para escolher configurações como o tamanho do modelo.
Palavras e símbolos nesta lição
- overfitting, underfitting
- ajustando o ruído nos dados de treinamento; ou simples demais para ajustar o padrão
- conjunto de validação
- dados retidos usados para escolher configurações
Escreva errors(deg) retornando (train_mse, val_mse) para um polinômio de grau deg ajustado com np.polyfit nos 30 pontos. Depois, defina best_degree para o grau de 1 a 15 com o menor erro de validação, calculado a partir da sua própria curva.
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.