Ի՞նչ է վերապատրաստումը: Ինչպիսի՞ միջոցներ կան դրա դեմ պայքարելու համար։

Overfitting (շատ հարմարեցում) — սա այն իրավիճակն է, երբ մեքենայական ուսուցման մոդելը շատ լավ հարմարեցվում է ուսուցման տվյալներին, ներառյալ աղմուկը և պատահական տատանումները, և դրա պատճառով վատ է ընդհանուր բաշխում նոր, անտեսանելի տվյալների վրա:

Overfitting-ի դեմ պայքարի միջոցներ՝

• Կանոնավորացում (L1, L2) — մոդելի բարդության համար պատիժ ավելացնել, որպեսզի կանխվի չափազանց մեծ քաշերը:
• Ավելի վաղ կանգ առնել — ուսուցումը դադարեցնել, երբ վալիդացիոն հավաքածուի որակը սկսում է վատանալ:
• Տվյալների ծավալը մեծացնել — ավելի շատ տվյալներ օգնում են մոդելին ավելի լավ ընդհանուր բաշխում ունենալ:
• Կրոս-վալիդացիա — օգնում է գնահատել մոդելի ընդհանուր բաշխման կարողությունը և հարմարեցնել պարամետրերը:
• Dropout (նեյրոնային ցանցերի համար) — պատահական կերպով անջատել նեյրոնները ուսուցման ժամանակ, որպեսզի կանխել որոշ առանձնահատկությունների վրա կախվածությունը:
• Մոդելի պարզեցում — պարամետրերի կամ շերտերի քանակը նվազեցնել:

Օրինակ՝ ռեգուլյարիզացիա գծային ռեգրեսիայում՝

from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0)  # L2 ռեգուլյարիզացիա
model.fit(X_train, y_train)