はじめに
モデルをトレーニングする方法は、完全に自動化されたプロセスではありません。 トレーニングでデータを無条件に信頼すると、学習したことが最終的に役に立たなかったり、実際には役に立つことを効果的に学習できなかったりする可能性があります。 以下の学習資料では、アンダーフィットとオーバーフィットが発生する簡単な理由と、それについて何ができるかを説明します。
シナリオ: 雪崩救助犬のトレーニング
このモジュール全体を通して、次のシナリオ例を使用して、アンダーフィットとオーバーフィットについて説明します。 このシナリオは、自分でプログラミングしているときに、これらの概念が発生する可能性がある例を提供するように設計されています。 これらの原則は、通常、ここで使用するものだけでなく、ほぼすべての種類のモデルに当てはまることに注意してください。
雪崩に巻き込まれたハイカーを探す方法を、新しい世代の犬にトレーニングします。 オフィスでは、どのような犬が適しているかということが議論されています。大型犬の方が小型犬より優れているでしょうか。 犬は若い間にトレーニングする必要があるでしょうか、それとも成長してからの方がよいでしょうか。 さいわい、過去数年間に行われた救助に関する統計を見ることができます。 しかし、犬のトレーニングには大きな費用がかかるため、犬の選択条件が正しいか確認する必要があります。
[前提条件]
- 機械学習モデルに関する知識
学習の目的
このモジュールでは、次のことを行います。
- 特徴の正規化を定義する。
- テスト データセットを作成して使用する。
- テスト モデルによるトレーニングの向上と低下の両方の可能性を明確にする。