Um dia de revisão no estágio remoto em ML / GenAI. Três vídeos. Uma regra. Uma pontuação de treinamento não é prova. O que mantive: 1. Seleção Mantenha linhas de lado. O treinamento aprende. A validação ajusta. O teste é uma pontuação honesta única. Não ajuste no conjunto de teste. k-fold é a mesma ideia, rotacionada. 2. Ajuste Underfit: ruim no treinamento e no teste. Muito simples. Overfit: ótimo no treinamento, pobre no teste. Memorizou a lição de casa. 3. Perda Perda é o erro: real menos previsto. Eleva ao quadrado para que não possa ser negativo. Calcule a média. Um número precisa de MSE. Uma classe precisa de entropia cruzada. Os parâmetros se movem para reduzir esse erro. Os três bloqueios: A perda diz ao modelo o quão errado ele estava. A validação me diz se esse ajuste generalizou. Overfit é um pequeno erro no treinamento e um grande erro no teste. Pergunta que ainda tenho: se dois modelos têm perda de teste semelhante, escolho o mais simples?
𝐈𝐛𝐧𝐦𝐚𝐫𝐳𝐮𝐤Compartilhar
Fonte:Mostrar original
Aviso legal: as informações nesta página podem ter sido obtidas de terceiros e não refletem necessariamente os pontos de vista ou opiniões da KuCoin. Este conteúdo é fornecido apenas para fins informativos gerais, sem qualquer representação ou garantia de qualquer tipo, nem deve ser interpretado como aconselhamento financeiro ou de investimento. A KuCoin não é responsável por quaisquer erros ou omissões, ou por quaisquer resultados do uso destas informações.
Os investimentos em ativos digitais podem ser arriscados. Avalie cuidadosamente os riscos de um produto e a sua tolerância ao risco com base nas suas próprias circunstâncias financeiras. Para mais informações, consulte nossos termos de uso e divulgação de risco.