প্রশ্ন ট্যাগ «overfitting»

ভেরিয়েবলের মধ্যে প্রতিরূপযোগ্য এবং তথ্যমূলক সম্পর্কের পরিবর্তে মডেলিং ত্রুটি (বিশেষত নমুনা ত্রুটি) মডেল ফিটের পরিসংখ্যানকে উন্নত করে তবে পার্সিমনি হ্রাস করে, এবং ব্যাখ্যামূলক এবং ভবিষ্যদ্বাণীমূলক বৈধতা আরও খারাপ করে তোলে।

2
ওজনের চেয়ে কম প্রশিক্ষণের নমুনা দিয়ে একজন (তাত্ত্বিকভাবে) একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণ দিতে পারেন?
প্রথমত: আমি জানি, একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য প্রয়োজনীয় কোনও নমুনা আকারের সংখ্যা নেই। এটি কাজের জটিলতা, ডেটাতে গোলমাল ইত্যাদির মতো অনেকগুলি কারণের উপর নির্ভর করে। আমার কাছে যত বেশি প্রশিক্ষণের নমুনা রয়েছে, তত ভাল আমার নেটওয়ার্ক হবে। তবে আমি ভাবছিলাম: আমি যদি আমার কাজটিকে যথেষ্ট "সরল" বলে ধরে নিই …

1
ফিশারের নির্ভুল পরীক্ষা এবং হাইপারজিম্যাট্রিক বিতরণ
আমি ফিশারদের সঠিক পরীক্ষাটি আরও ভালভাবে বুঝতে চেয়েছিলাম, তাই আমি নীচের খেলনাটির উদাহরণটি প্রস্তুত করেছি, যেখানে f এবং m পুরুষ এবং মহিলা এর সাথে মিলে যায় এবং n এবং y এর সাথে "সোডা সেবন" এর সাথে মিলে যায়: > soda_gender f m n 0 5 y 5 0 স্পষ্টতই, এটি …

1
ওভার-ফিটিং ডেটা ছাড়াই সেরা ফিট কীভাবে নির্বাচন করবেন? N সাধারণ ফাংশন ইত্যাদির সাথে দ্বিপদ বিতরণকে মডেলিং করা
আমার মানগুলির স্পষ্টত দ্বিপদী বিতরণ রয়েছে, যা আমি ফিট করতে চাই। 2 টি স্বাভাবিক ফাংশন (বিমোডাল) বা 3 টি সাধারণ ফাংশন সহ ডেটা ভাল ফিট হতে পারে। অতিরিক্তভাবে, 3 এর সাথে ডেটা ফিট করার জন্য একটি দেহনযোগ্য শারীরিক কারণ রয়েছে। যত বেশি পরামিতি প্রবর্তন করা হবে ততই যথাযথ ফিট হবে, …

4
লিনিয়ার ক্লাসিফায়ারদের সাথে ওভারফিটিং
আজ আমাদের অধ্যাপক ক্লাসে বলেছিলেন যে "লিনিয়ার ক্লাসিফায়ারগুলির সাথে ওভারফিট করা সম্ভব নয়"। আমি এটাকে ভুল বলে ধরেছি, যেহেতু লিনিয়ার শ্রেণিবদ্ধীরা প্রশিক্ষণ সংস্থায় আউটলিয়ারদের কাছে সংবেদনশীল হতে পারে - উদাহরণস্বরূপ একটি কঠোর মার্জিন সমর্থন করুন ভেক্টর মেশিন: একটি একক কোলাহলী ডেটাপয়েন্টটি পরিবর্তন করতে পারে কোন হাইপারপ্লেনটি ডেটাসেটগুলি পৃথক করতে ব্যবহৃত …

1
র্যান্ডম অরণ্যের সাথে মডেলিংয়ের কি ক্রস-বৈধতা প্রয়োজন?
যতদূর আমি দেখেছি, মতামতগুলি সম্পর্কে এই বিষয়ে পৃথক প্রবণতা রয়েছে। সেরা অনুশীলন অবশ্যই ক্রস-বৈধতা ব্যবহার করে নির্দেশ করবে (বিশেষত যদি একই ডেটাসেটের অন্যান্য অ্যালগরিদমের সাথে আরএফগুলির তুলনা করা হয়)। অন্যদিকে, মূল উত্সটি বলেছে যে মডেল প্রশিক্ষণের সময় ওওবি ত্রুটিটি গণনা করা হয় তা পরীক্ষার সেট পারফরম্যান্সের একটি সূচক যথেষ্ট। এমনকি …

1
এলোমেলো বন কি উপকার করতে পারে না?
আমি এমন কিছু সাহিত্য পড়েছি যা এলোমেলো বনগুলি বেশি মানায় না। এটি দুর্দান্ত শোনার পরেও এটি সত্য বলে মনে হয় খুব ভাল। আরএফের পক্ষে কী পরিমাণে ফিট করা সম্ভব?

2
রিজ রিগ্রেশনতে "ম্যাট্রিক্স ইনভার্সনের সংখ্যার স্থিতিশীলতা" এবং ওভারফিট হ্রাসে এর ভূমিকার জন্য লুসিড ব্যাখ্যা
আমি বুঝতে পারি যে আমরা কমপক্ষে স্কোয়ার রিগ্রেশন সমস্যায় নিয়মিতকরণ নিয়োগ করতে পারি w∗=argminw[(y−Xw)T(y−Xw)+λ∥w∥2]w∗=argminw⁡[(y−Xw)T(y−Xw)+λ‖w‖2]\boldsymbol{w}^* = \operatorname*{argmin}_w \left[ (\mathbf y-\mathbf{Xw})^T(\boldsymbol{y}-\mathbf{Xw}) + \lambda\|\boldsymbol{w}\|^2 \right] এবং এই সমস্যাটির একটি বদ্ধ-ফর্ম সমাধান রয়েছে যেমন: w^=(XTX+λI)−1XTy.w^=(XTX+λI)−1XTy.\hat{\boldsymbol{w}} = (\boldsymbol{X}^T\boldsymbol{X}+\lambda\boldsymbol{I})^{-1}\boldsymbol{X}^T\boldsymbol{y}. আমরা দেখতে পাই যে ২ য় সমীকরণে নিয়মিতকরণ কেবল \ বোল্ডসিম্বল {এক্স} টি \ বোল্ডসিম্বল {এক্স the …

1
একটি স্যাচুরেটেড মডেল কি একটি অতিমাত্রায়িত মডেলের একটি বিশেষ কেস?
আমি একটি স্যাচুরেটেড মডেল কী তা বোঝার চেষ্টা করছি। আপনার পর্যবেক্ষণের মতো অনেকগুলি বৈশিষ্ট্য উপস্থিত থাকলে এটি আফিক। আমরা কি বলতে পারি যে একটি স্যাচুরেটেড মডেল অত্যন্ত চূড়ান্ত মডেলের একটি বিশেষ-কেস?

1
পশ্চাদপসরণ দূরীকরণকে কেন একাধিক প্রতিরোধের সময় যুক্তিযুক্ত?
এটি কি অত্যধিক ফিটনেসের ফলাফল করে না? যদি বিশ্লেষণের অংশ হিসাবে আমি একটি জ্যাক-ছুরি বা বুটস্ট্র্যাপ পদ্ধতি যুক্ত করি তবে আমার ফলাফলগুলি আরও নির্ভরযোগ্য হবে?

2
মডেল-বিল্ডিং প্রক্রিয়া ইন্টারেক্টিভ ছিল যখন ব্যাক-টেস্টিং বা ক্রস-বৈধকরণ valid
আমার কাছে কিছু ভবিষ্যদ্বাণীপূর্ণ মডেল রয়েছে যার পারফরম্যান্সটি আমি ব্যাক-টেস্ট করতে চাই (অর্থাত, আমার ডেটাসেটটি নিতে, এটি সময়ের সাথে পূর্ববর্তী সময়ে "রিওয়াইন্ড করুন" এবং দেখুন মডেলটি কীভাবে সম্ভাব্য পারফরম্যান্স করত)। সমস্যাটি হ'ল আমার কয়েকটি মডেল একটি ইন্টারেক্টিভ প্রক্রিয়া দ্বারা নির্মিত হয়েছিল। উদাহরণস্বরূপ, ফ্র্যাঙ্ক হ্যারেলের রেগ্রেশন মডেলিং কৌশলগুলির পরামর্শ অনুসরণ করে …
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.