Aşıq öyrənmənin qarşısını almağın hansı metodları var və necə işləyirlər?

Overfitting (həddindən artıq uyğunlaşma) modelin təlim məlumatlarına çox yaxşı uyğunlaşması və yeni məlumatlara ümumiləşdirmə qabiliyyətini itirməsi halıdır. Overfitting-ə qarşı metodlar:

• Tənzimləmə (Regularization) — modelin mürəkkəbliyinə cəza əlavə etmək. Məsələn, L1 (Lasso) və L2 (Ridge) tənzimləmələri parametrlərin çəkilərini azaldır və çox mürəkkəbliyi qarşısını alır.

• Erkən dayandırma (Early stopping) — təlimi dayandırmaq, validation dəstindəki səhv artmağa başlayanda.

• Kross-validasiya — modelin ümumiləşdirmə qabiliyyətini qiymətləndirməyə və optimal hiperparametrləri seçməyə kömək edir.

• Məlumat artırma (Data augmentation) — məlumatların müxtəlifliyini artırmaq üçün əlavə təlim nümunələri yaratmaq.

• Dropout (neuron şəbəkələri üçün) — təlim zamanı bəzi neyronları təsadüfi olaraq deaktiv etmək, bu da xüsusiyyətlərə olan asılılığı azaldır.

• Modelin mürəkkəbliyini azaltmaq — daha sadə və az parametrli model seçmək.

L2 tənzimləməsinin nümunəsi itki funksiyasında:

( Loss = Loss_{orijinal} + \lambda \sum w_i^2 )

burada ( \lambda ) tənzimləmə koeffisientidir, ( w_i ) modelin çəkiləridir.