მოდელში bias და variance რა არის?

ბაიზი (მრუდი) და ვარიაცია (გაფართოება) ორი ძირითადი კონცეფციაა, რომლებიც აღწერენ მანქანათს სწავლების მოდელის შეცდომებს.

• ბაიზი (მრუდი): ეს არის შეცდომა, რომელიც წარმოიქმნება ძალიან მარტივი მოდელიდან, რომელიც ვერ აღწერს მონაცემებს კარგად. მაღალი ბაიზი მქონე მოდელი არის ნაკლებად სწავლებული (underfitting) და ცუდად პროგნოზირებს როგორც ტრენინგ მონაცემებზე, ასევე ახალი მონაცემებზე.

• ვარიაცია (გაფართოება): ეს არის შეცდომა, რომელიც დაკავშირებულია მოდელის მგრძნობელობასთან ტრენინგ მონაცემებში ხმაურის მიმართ. მაღალი ვარიაციით მოდელი overfitting-ია, კარგად მუშაობს ტრენინგ მონაცემებზე, მაგრამ ცუდად ზოგავს ახალ მონაცემებზე.

ბალანსი ბაიზისა და ვარიაციის შორის მნიშვნელოვანია კარგი მოდელისთვის. ზოგადად, მოდელის სირთულის გაზრდასთან ერთად, ბაიზი მცირდება, ვარიაცია კი იზრდება.

მაგალითი:

• მარტივი სწორი რეგრესია შეიძლება ჰქონდეს მაღალი ბაიზი, თუ მონაცემები ნონ-ლინეურია.
• რთული მოდელი, მაგალითად, ღრმა ნეირონული ქსელი, შეიძლება ჰქონდეს დაბალი ბაიზი, მაგრამ მაღალი ვარიაცია, თუ overfit-ია ტრენინგ მონაცემებზე.