Strojové učenie: Overfitting, bias a výber modelu
Strojové učenie nie je len o trénovaní modelov, ale o pochopení ich fungovania a správneho vyhodnocovania. Prednáška sa venovala overfittingu, bias-variance tradeoffu a moderným technikám výberu modelu. Dôležité je vyhnúť sa častým chybám pri výbere modelu.
Posledná prednáška z kurzu Machine Learning na Stanforde sa venovala dôležitým témam, ako sú rozdelenie dát, overfitting, bias-variance tradeoff a moderné techniky výberu modelu. Profesor Chris Ré a jeho tím nám ukázali, že strojové učenie nie je len o trénovaní modelov, ale aj o pochopení toho, ako tieto modely fungujú a ako ich správne vyhodnocovať. V tomto článku si prejdeme kľúčové body z prednášky a vysvetlíme si, ako sa vyhnúť častým chybám pri výbere modelu.
Overfitting a Underfitting: Základné problémy strojového učenia
Predstavte si, že chcete naučiť počítač rozpoznávať mačky na fotografiách. Ak mu dáte príliš málo dát alebo ho necháte trénovať príliš dlho, môže sa stať, že sa model naučí len špecifické detaily z tréningových obrázkov a nebude vedieť rozoznať mačku na nových, neznámych fotografiách. Toto je overfitting – model sa „naučil“ tréningové dáta príliš dobre a nedokáže generalizovať na nové dáta.
