Conteúdo do curso Lição 86 de 246 · Módulo 7: Trabalhando com novos dados
Módulo 7: Trabalhando com novos dados

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
Sua vez

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.