lineالذكاء الصناعي

overfitting ما هو فرط التجهيز

ما هو فرط التجهيز (overfitting ) ؟

في تخصص علم البيانات، يتم تفسير نموذج الإفراط في التجهيز (overfitting) على أنه نموذج يحصل على تباين كبير وتحيز منخفض من مجموعة التدريب، مما يؤدي إلى تعميم منخفض في بيانات الاختبار التعميم) النموذج. من أجل فهم هذا التعريف المعقد بشكل أفضل .

بعبارة أخرى overfitting

هو الزيادة المفرطة في بيانات التدريب يودي أي تشويش عملية التعلم وبالتالي الى ضعف في النتائج اضافة الى زيادة مفرطة في وقت التعلم واحتمال كبير فشل عملية التعلم في بعض الاحيان ….

كيف يتم تجنب المشكلة (overfitting)

يتم تجنب هذه المشكلة من خلال اختيار حجم مناسب للبيانات التدريب او التعلم بحيث يكون هذا الحجم يغطي الحاجة لعملية التعلم …. قلة بيانات التدريب (underfitting) في حالة قلة البيانات التعلم سيحصل بالتأكيد ضعف في نتائج التعلم نتيجة عدم تقديم بيانات كافية لطريقة الخوارزمية تعلم الاله (machine learning) لتتمكن من التعلم من بيانات المشكلة المراد حلها او التعلم عليها

التحقق المتبادل (cross validation)

يسمى احيانا (الاعتبار خارج العينة) اي تقنيات التحقق من نماذج التعلم المختلفة لتقيم نتائج التعلم في مشاكل التحليل والتنبؤ الهدف منه هو اختبار قدرة الطريقة المقترحة على التنبؤ بالبيانات الجديدة التي لم يتم استخدامها في التقدير
تتضمن جولة التحقق المتبادل تقسيم عينية من البيانات الى مجموعة فرعية تكميلية واجراء التعلم على مجموعة فرعية واحدة تسمى (مجموعة التدريب) الرجاء الاطلاع على المصادر

مقالات ذات صلة

زر الذهاب إلى الأعلى
إغلاق

أنت تستخدم إضافة Adblock

يرجى تعطيل مانع الإعلانات حيث أن موقعنا غير مزعج ولا بأس من عرض الأعلانات لك فهي تعتبر كمصدر دخل لنا و دعم مقدم منك لنا لنستمر في تقديم المحتوى المناسب و المفيد لك فلا تبخل بدعمنا عزيزي الزائر