সবচেয়ে সহজ কাজটি হ'ল নন-এআরডি সমতুল্য কোভারিয়েন্স ফাংশন (সাধারণত আরবিএফ) দিয়ে কোনও গাউসীয় প্রক্রিয়া ফিট করা এবং পরীক্ষার ত্রুটির হারের তুলনা করা। হাইপার-প্যারামিটারগুলি সুর করার ক্ষেত্রে অতিরিক্ত-ফিট করার কারণে অনেক সমস্যার জন্য একটি এআরডি কোভেরিয়েন্স ফাংশন একটি নন-এআরডি কোভারিয়েন্স ফাংশনের চেয়ে খারাপ সম্পাদন করে । যেহেতু আরবিএফ কোভেরিয়েন্স এআরডি কোভেরিয়েন্সের একটি বিশেষ কেস, আরবিএফ আরও ভাল পারফরম্যান্স করে, এটি দৃ a় ইঙ্গিত দেয় যে এআরডি কার্নেল অতিরিক্ত-ফিট করে (এটি সম্পর্কিত আরবিএফ কোভেরিয়েন্সের জন্য অনুকূল মানগুলিতে এআরডি সহগকে অনুকূলকরণ শুরু করুন, এটি হল দ্রুত এবং এটিও নিশ্চিত করতে সহায়তা করে যে এআরডি কোভেরিয়েন্সের সমস্যাটি কেবল প্রান্তিক সম্ভাবনার স্থানীয় মিনিমার কারণে নয়)। এটি সাধারণত প্রশংসিত হওয়ার চেয়ে অনেক বড় সমস্যা।
আমি এ সম্পর্কে কয়েকটি কাগজ লিখেছি:
জিসি কাওলি এবং এনএলসি টালবট, হাইপার-প্যারামিটারগুলিকে নিয়মিতকরণের মাধ্যমে বায়সিয়ান নিয়মিতকরণের মাধ্যমে মডেল নির্বাচনের সময় অতিরিক্ত-ফিটিং প্রতিরোধ করা, মেশিন লার্নিং রিসার্চ জার্নাল, খণ্ড 8, পৃষ্ঠা 841-861, এপ্রিল 2007 ( পিডিএফ )
এবং
জিসি কাওলি এবং এনএলসি টালবট, মডেল নির্বাচনের ওভার-ফিটিং এবং পারফরম্যান্স মূল্যায়নে পরবর্তী নির্বাচনের পক্ষপাত, মেশিন লার্নিং রিসার্চ জার্নাল, ২০১০। গবেষণা, খন্ড 11, পৃষ্ঠা 2079-2107, জুলাই 2010 ( পিডিএফ )
প্রথমটিতে জিপি সহ কিছু পরীক্ষা-নিরীক্ষা অন্তর্ভুক্ত রয়েছে, যা দেখায় যে মডেল নির্বাচনের ক্ষেত্রে ওভার-ফিটিং প্রান্তিক সম্ভাবনা সর্বাধিকীকরণ ভিত্তিক মডেল নির্বাচনের সাথে জিপিদেরও একটি সমস্যা।
প্রান্তিক সম্ভাবনা অনুকূলকরণের প্রক্রিয়ায় প্রতিটি পদক্ষেপে জিপি পরীক্ষার ত্রুটির মূল্যায়ন করা আরও বিশদ বিশ্লেষণ হবে। এটি অত্যন্ত সম্ভবত যে আপনি ওভার-ফিটিংয়ের ক্লাসিক হলের চিহ্ন পাবেন, যেখানে মডেল নির্বাচনের মানদণ্ড একঘেয়েভাবে হ্রাস পাচ্ছে, তবে পরীক্ষার ত্রুটিটি প্রাথমিকভাবে হ্রাস পেয়েছে, তবে মডেল নির্বাচনের মানদণ্ডটি ওভার-অপ্টিমাইজড হওয়ার কারণে আবার উত্থিত হওয়া শুরু হয় (সিএফ ২০১০ জেএমএলআর কাগজে চিত্র 2 এ)।