मॉडेल सामान्यीकरण विरुद्ध मॉडेल ओव्हरफिटिंग

मॉडेल सामान्यीकरण काय आहे?

पूर्णपणे अपरिचित आणि वितरणाबाहेरील डेटासेटवर अचूक भाकिते करण्याची कृत्रिम बुद्धिमत्ता प्रणालीची क्षमता.

• यावरून हे सूचित होते की नेटवर्कने वरवरच्या सांख्यिकीय शॉर्टकटऐवजी मूळ अंतर्निहित तर्कशास्त्र शोधून काढले आहे.
• उच्च सामान्यीकरण असलेल्या प्रणाली स्थिर प्रमाणीकरण त्रुटी दर राखतात, जे प्रशिक्षण मेट्रिक्सशी जवळून जुळतात.
• हे लॉस लँडस्केपमध्ये सपाट किमान मूल्ये शोधण्यावर अवलंबून असते, ज्यामुळे भाकिते इनपुटमधील किरकोळ बदलांनाही प्रतिरोधक बनतात.
• त्याचे मोजमाप करण्यासाठी आणि ते इष्टतम करण्यासाठी बायस-व्हेरियन्स ट्रेड-ऑफ सारख्या गणितीय चौकटी वापरल्या जातात.
• त्यामुळे कार्यान्वित केलेले ॲप्लिकेशन्स कालांतराने अयशस्वी न होता, वास्तविक जगातील बदलांना सहजतेने हाताळू शकतात.

मॉडेल ओव्हरफिटिंग काय आहे?

एक त्रुटीची स्थिती ज्यामध्ये ओव्हरपॅरामीटराइज्ड मॉडेल त्याच्या वेट्समध्ये वैयक्तिक प्रशिक्षण पॉइंट्स आणि स्ट्रक्चरल नॉइज साठवते.

• यामध्ये प्रशिक्षण गुण जवळपास परिपूर्ण असूनही, पडताळणी चाचण्यांमध्ये अचूकता अत्यंत खराब असल्याचे दिसून येते.
• हे मॉडेल व्यापक अंतर्निहित संकल्पना शिकण्याऐवजी विशिष्ट प्रशिक्षण नमुने लक्षात ठेवते.
• जेव्हा उपलब्ध डेटाच्या प्रमाणासाठी मॉडेलची रचना खूपच गुंतागुंतीची असते, तेव्हा असे घडते.
• परिणामी प्रणाली अत्यंत अनियमित, गुंतागुंतीच्या निर्णय सीमा तयार करते, ज्या नवीन इनपुटवर अयशस्वी ठरतात.
• जेव्हा ट्रेनिंग आणि व्हॅलिडेशन लॉस कर्व्ह वेगळे होऊ लागतात तेव्हा त्याचे निरीक्षण करून हे लवकर ओळखता येते.

तुलना सारणी

तपशीलवार तुलना

गुण आणि दोष