Sınıflandırma: Tahmin yanlılığı
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Şurada belirtildiği gibi:
Doğrusal regresyon
modülü, hesaplama
tahmin yanlılığı
model veya eğitim verileriyle ilgili sorunları işaretleyebilen hızlı bir kontroldür
teşvik edebilirsiniz.
Tahmin yanlılığı, bir modelin ortalama değeri ile
tahminleri
ve ortalama
kesin referans etiketleri
dışı verilerdir. Bir veri kümesi üzerinde eğitilen model
Buradaki e-postaların% 5'i spam olduğundan ortalama olarak% 5'inin spam olduğunu
sınıflandırdığı e-postalar spamdir. Başka bir deyişle,
kesin referans veri kümesi 0, 05'tir ve modelin tahminlerinin ortalaması
0,05 olur. Bu durumda, modelde tahmin yanlılığı sıfırdır. /
modelde başka sorunlar da olabilir.
Model bunun yerine bir e-postanın% 50'sinin spam olduğunu tahmin ederse
eğitim veri kümesiyle ilgili bir sorun varsa, modelin
bir örneğidir. Herhangi biri
ikisi arasındaki önemli bir fark, modelin
ön yargı var.
Tahmin yanlılığı aşağıdaki nedenlerden kaynaklanabilir:
- Eğitim seti için yanlı örnekleme dahil olmak üzere verilerdeki sapmalar veya gürültü
- Çok güçlü normalleştirme, modelin aşırı basitleştirildiği ve kaybedildiği anlamına gelir.
biraz daha karmaşık
- Model eğitimi ardışık düzenindeki hatalar
- Modele sağlanan özellik grubunun görev için yetersiz olması
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2024-08-13 UTC.
[null,null,["Son güncelleme tarihi: 2024-08-13 UTC."],[[["\u003cp\u003ePrediction bias, calculated as the difference between the average prediction and the average ground truth, is a quick check for model or data issues.\u003c/p\u003e\n"],["\u003cp\u003eA model with zero prediction bias ideally predicts the same average outcome as observed in the ground truth data, such as a spam detection model predicting the same percentage of spam emails as actually present in the dataset.\u003c/p\u003e\n"],["\u003cp\u003eSignificant prediction bias can indicate problems in the training data, the model itself, or the new data being applied to the model.\u003c/p\u003e\n"],["\u003cp\u003eCommon causes of prediction bias include biased data, excessive regularization, bugs in the training process, and insufficient features provided to the model.\u003c/p\u003e\n"]]],[],null,["# Classification: Prediction bias\n\nAs mentioned in the\n[Linear regression](/machine-learning/crash-course/linear-regression)\nmodule, calculating\n[**prediction bias**](/machine-learning/glossary#prediction_bias)\nis a quick check that can flag issues with the model or training data\nearly on.\n\nPrediction bias is the difference between the mean of a model's\n[**predictions**](/machine-learning/glossary#prediction)\nand the mean of\n[**ground-truth**](/machine-learning/glossary#ground-truth) labels in the\ndata. A model trained on a dataset\nwhere 5% of the emails are spam should predict, on average, that 5% of the\nemails it classifies are spam. In other words, the mean of the labels in the\nground-truth dataset is 0.05, and the mean of the model's predictions should\nalso be 0.05. If this is the case, the model has zero prediction bias. Of\ncourse, the model might still have other problems.\n\nIf the model instead predicts 50% of the time that an email is spam, then\nsomething is wrong with the training dataset, the new dataset the model is\napplied to, or with the model itself. Any\nsignificant difference between the two means suggests that the model has\nsome prediction bias.\n\nPrediction bias can be caused by:\n\n- Biases or noise in the data, including biased sampling for the training set\n- Too-strong regularization, meaning that the model was oversimplified and lost some necessary complexity\n- Bugs in the model training pipeline\n- The set of features provided to the model being insufficient for the task\n\n| **Key terms:**\n|\n| - [Ground truth](/machine-learning/glossary#ground-truth)\n| - [Prediction](/machine-learning/glossary#prediction)\n- [Prediction bias](/machine-learning/glossary#prediction_bias) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
