遠端機器學習／生成式AI實習的審查日。 三支影片。一條規則。 訓練分數並非證據。 我保留的內容： 1. 選擇 保留行數。 訓練用於學習，驗證用於調參，測試則是唯一真實的分數。 切勿在測試集上進行調參。 k折交叉驗證是同樣的概念，只是輪轉進行。 2. 擬合 欠擬合：訓練與測試表現皆差。模型過於簡單。 過擬合：訓練表現極佳，測試表現糟糕。它只是記住了作業。 3. 損失 損失代表誤差：實際值減去預測值。 平方它以確保非負，再取平均。 數值預測需用 MSE，分類預測需用交叉熵。 參數會調整以縮小此誤差。 三重鎖定： 損失告訴模型它錯得多嚴重。 驗證告訴我這個調整是否具有泛化能力。 過擬合的特徵是：訓練誤差極小，測試誤差極大。 我仍有的疑問：若兩個模型的測試損失相近，我該選擇哪一個？