41 lines
2.1 KiB
Markdown
41 lines
2.1 KiB
Markdown
---
|
|
title: Overfitting Has Many Faces
|
|
localeTitle: Overfitting tem muitas caras
|
|
---
|
|
## Overfitting tem muitas caras
|
|
|
|
Se um algoritmo de aprendizado se encaixa bem em um determinado conjunto de treinamento, isso não indica simplesmente uma boa hipótese. O overfitting ocorre quando a função de hipótese J (Θ) se ajusta ao seu conjunto de treinamento de forma muito próxima, com uma alta variância e baixo erro no conjunto de treinamento, embora tenha um erro de teste alto em quaisquer outros dados.
|
|
|
|
Em outras palavras, overfitting occrus se o erro da hipótese medida no conjunto de dados que foi usado para treinar os parâmetros for menor do que o erro em qualquer outro conjunto de dados.
|
|
|
|
### Escolhendo um grau ótimo de polinômio
|
|
|
|
Escolher o grau certo de polinômio para a função de hipótese é importante para evitar o overfitting. Isso pode ser obtido testando cada grau de polinômio e observando o efeito no resultado do erro em várias partes do conjunto de dados. Assim, podemos dividir nosso conjunto de dados em 3 partes que podem ser usadas na otimização da hipótese 'teta e grau polinomial.
|
|
|
|
Uma boa taxa de decomposição do conjunto de dados é:
|
|
|
|
* Conjunto de treino: 60%
|
|
* Validação Cruzada: 20%
|
|
* Conjunto de teste: 20%
|
|
|
|
Os três valores de erro podem ser calculados pelo seguinte método: 1
|
|
|
|
1. Use o conjunto de treinamento para cada grau polinomial, a fim de otimizar os parâmetros em `Θ`
|
|
2. Use o conjunto de validação cruzada para encontrar o grau de polinômio com o menor erro
|
|
3. Use o conjunto de testes para estimar o erro de generalização
|
|
|
|
### Formas de consertar overfitting
|
|
|
|
Estas são algumas das maneiras de resolver o overfitting:
|
|
|
|
1. Obtendo mais exemplos de treinamento
|
|
2. Tentando um conjunto menor de recursos
|
|
3. Aumentando o parâmetro `λ lambda`
|
|
|
|
#### Mais Informações:
|
|
|
|
[Curso de Aprendizado de Máquina do Coursera](https://www.coursera.org/learn/machine-learning)
|
|
|
|
### Fontes
|
|
|
|
1. [Ng, Andrew. "Aprendizado de Máquina". _Coursera_ Acessado em 29 de janeiro de 2018](https://www.coursera.org/learn/machine-learning) |