რა არის გადამეტებული სწავლება და როგორ დავამარცხოთ იგი?

Overfitting (მოსადაგების გადაჭარბება) — ეს არის მდგომარეობა, როდესაც მანქანათსწავლის მოდელი ძალიან კარგად ერგება ტრენინგ მონაცემებს, მათ შორის ხმაურს და შემთხვევით რყევებს, და ცუდად ზოგავს ახალ მონაცემებზე.

როგორ დავამარცხოთ overfitting:

• მეტი მონაცემის გამოყენება ტრენინგისთვის.
• რეგულარიზაცია (L1, L2) — მოდელის სირთულისთვის ჯარიმების დამატება.
• სწრაფი შეჩერება — ტრენინგის შეჩერება, როდესაც ვალიდაციის ხარისხი იწყებს გაუარესებას.
• კროს-ვალიდაცია — ზოგადობის უნარის შეფასებისთვის.
• მოდელის სირთულის შემცირება — მაგალითად, პარამეტრების რაოდენობის შემცირება.
• მონაცემების გაზრდა — დამატებითი ტრენინგის მაგალითების შექმნა.

Python-ში sklearn-ის გამოყენებით რეგულარიზაციის მაგალითი:

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