Интуиция за регуляризацией в машинном обучении Здравствуйте, для того, чтобы наша модель хорошо работала как на наборе данных, так и на тестировании, одна из стратегий, которые мы используем, чтобы избежать переобучения, - это Регуляризация. Вот краткий обзор того, что делает магия регуляризации, чтобы избежать переобучения, давайте расшифруем магию регуляризации. Основная идея регуляризации состоит в том, чтобы уменьшить влияние некоторых / всех функций, чтобы модель не охватывала..

Можете ли вы объяснить эту строку немного больше? например, как вес, обновленный L2, зависит от всех аспектов, а один - от L1 только по первой точке, и на что ссылается первая точка, и что вы подразумеваете под всеми аспектами

При обучении нейронной сети мы должны принять множество решений, как показано на рисунке ниже. Смещение и отклонение Посмотрев на ошибку алгоритма на обучающем наборе (который мы называем смещением) и на наборе разработчика (который мы называем дисперсией), мы можем попробовать разные вещи, чтобы улучшить алгоритм. Как справиться с высоким предвзятым отношением? Более крупная сеть, т.е. больше скрытых слоев или больше скрытых единиц. Тренируйся дольше. Попробуйте более..

Как новичок в машинном обучении, большинство людей воодушевляются, когда их ошибки в обучении начинают уменьшаться. Они стараются еще больше, и он начинает уменьшаться еще больше, их азарт не знает границ. Они показывают свои результаты мастеру Oogway (старая мудрая черепаха в кунг-фу панде), и он спокойно говорит, что это не хорошая модель, вам нужно упорядочить модель и проверить производительность на проверочном наборе. Если вы из тех, кто хотел бы понять, что такое «регуляризация» и..