نویسنده(های): سورادیپ پال
در ابتدا منتشر شد به سمت هوش مصنوعی.
این داستان فقط برای اعضا در اختیار ماست. برای دسترسی به تمام Medium ارتقا دهید.
روزی روزگاری در دنیای یادگیری ماشینیدانشمندان داده با یک چالش دائمی مواجه بودند: یافتن تعادل بین مدلی بسیار ساده و مدلی که بیش از حد پیچیده است. این به عنوان مبادله بایاس-واریانس شناخته می‌شود، و کلید ساخت مدل‌هایی است که می‌توانند پیش‌بینی‌های دقیقی را بدون تطبیق بیش از حد یا عدم تناسب انجام دهند.
در این وبلاگ، سوگیری، واریانس، اتفاقاتی که در هنگام کمبود تناسب اندام یا اضافه تناسب اندام روی می‌دهد و اینکه چگونه تکنیک‌هایی مانند چمدان‌سازی، تقویت و منظم‌سازی می‌توانند به ما در ایجاد تعادل کامل کمک کنند را بررسی می‌کنیم. برای جذاب‌تر کردن کارها، ما همچنین کدهایی را برای تجسم این مفاهیم می‌پاشیم.
تصور کنید در حال یادگیری نحوه پرتاب تیر به سمت هدف هستید. هدف ضربه زدن به چشم گاو نر است. گاهی اوقات، فلش های شما به طور مداوم علامت را به همان روش از دست می دهند (این تعصب است). مواقع دیگر، آنها در همه جا پراکنده می شوند (این واریانس است). هنگام تمرین همین اتفاق می افتد یادگیری ماشینی مدل ها شما می‌خواهید که «پیش‌ها» (پیش‌بینی‌های) شما تا آنجا که ممکن است نزدیک به چشم گاو نر با کمترین گسترش برخورد کند.
تعصب به این اشاره دارد که پیش‌بینی‌های مدل شما چقدر با مقادیر واقعی فاصله دارد – مثلاً اگر شما… وبلاگ کامل را به صورت رایگان در Medium بخوانید.
منتشر شده از طریق به سمت هوش مصنوعی
