Mengapa ralat latihan kurang daripada ralat ujian?
Mengapa ralat latihan kurang daripada ralat ujian?

Video: Mengapa ralat latihan kurang daripada ralat ujian?

Video: Mengapa ralat latihan kurang daripada ralat ujian?
Video: Jangan Lakukan Kesalahan Ini Semasa Isi UPU 2024, November
Anonim

The kesilapan latihan biasanya akan menjadi kurang daripada yang ralat ujian kerana data yang sama digunakan untuk menyesuaikan model digunakan untuk menilainya kesilapan latihan . Sebahagian daripada percanggahan antara kesilapan latihan dan juga ralat ujian adalah kerana latihan set dan ujian set mempunyai nilai input yang berbeza.

Akibatnya, adakah ralat pengesahan sentiasa lebih tinggi daripada ralat latihan?

Secara umumnya, kesilapan latihan akan hampir sentiasa memandang rendah anda ralat pengesahan . Walau bagaimanapun adalah mungkin untuk ralat pengesahan menjadi kurang daripada latihan . Anda boleh memikirkannya dengan dua cara: Your latihan set mempunyai banyak kes 'susah' untuk dipelajari.

Juga, mengapa ralat latihan meningkat? Walau bagaimanapun ralat pada set ujian hanya berkurangan apabila kami menambah fleksibiliti sehingga titik tertentu. Dalam kes ini, yang berlaku pada 5 darjah Sebagai fleksibiliti bertambah di luar titik ini, yang kesilapan latihan meningkat sebab model dah hafal latihan data dan bunyi bising.

Begitu juga, anda mungkin bertanya, apakah ralat latihan dan ralat ujian?

Kesilapan latihan berlaku apabila a terlatih model pulangan kesilapan selepas menjalankannya pada data sekali lagi. Ia mula mengembalikan salah keputusan. Ralat ujian adalah yang berlaku apabila a terlatih model dijalankan pada set data yang tidak mempunyai sebarang idea tentangnya. Maksudnya, yang latihan data adalah berbeza sama sekali daripada ujian data.

Mengapakah ketepatan pengesahan lebih tinggi daripada ketepatan latihan?

The latihan kerugian adalah lebih tinggi kerana anda telah menyukarkan rangkaian untuk memberikan jawapan yang betul. Walau bagaimanapun, semasa pengesahan semua unit tersedia, jadi rangkaian mempunyai kuasa pengiraan penuh - dan dengan itu ia mungkin berprestasi lebih baik daripada dalam latihan.

Disyorkan: