Прокачка · Искусственный интеллект · Машинное обучение
Смещение, дисперсия и переобучение
Фундаментальный разбор природы ошибок машинного обучения: математическая декомпозиция потерь, концепция смещения (bias) и дисперсии (variance) через мишень…
- 10 минВремя:
- 21Блоков:
- 10Теория:
- 7Практика:
- 1Схемы и медиа:
- 3Проверка:
Что вы узнаете
- Смещение, дисперсия и переобучение (Bias-Variance Tradeoff)
- Главный парадокс обучения моделей
- Параметры против гиперпараметров: уровни управления моделью
- Аналогия с мишенью: геометрическая интуиция Bias и Variance
- Компромисс Bias–Variance: эволюция кривых ошибок
Отрывок
Идеальная точность на обучающей выборке не имеет практической ценности, если модель теряет качество на новых объектах. Фундаментальная цель машинного обучения — не безошибочно заучить обучающий датасет, а извлечь устойчивые объективные закономерности, обеспечив минимальную ошибку обобщения на тестовых данных.
Любая ошибка прогноза раскладывается на три компонента: смещение (bias), дисперсию (variance) и неустранимый шум данных.
Полный уровень открывается по подписке.
- Интерактивные уровни с проверкой ответов
- Прогресс и повторение терминов сохраняются
- Тренажёры Linux, SQL, Git и Docker в браузере