Класифікація: зсув прогнозування
Тримайте все під контролем за допомогою колекцій
Зберігайте контент і організовуйте його за категоріями відповідно до своїх потреб.
Як зазначалося в модулі Лінійна регресія, обчислення упередженості прогнозу – це швидка перевірка, яка може виявити проблеми з моделлю або навчальними даними на ранніх стадіях.
Упередженість прогнозу – це різниця між середніми значеннями прогнозів моделі й істинних міток даних. Модель, навчена на наборі даних, у якому 5% листів позначено як спам, має в середньому передбачати, що 5% листів, які вона класифікує, є спамом. Іншими словами, середнє значення як міток з істинного набору даних, так і прогнозів моделі має дорівнювати 0,05. Якщо це так, то модель має нульову упередженість прогнозів. Звичайно, у роботі моделі можуть бути й інші проблеми.
Якщо натомість модель у 50% випадків прогнозує, що лист – спам, це свідчить про проблему з навчальним набором даних, новим набором даних, який обробляється, або самою моделлю. Будь-яка значна різниця між цими двома показниками свідчить про те, що модель має певну упередженість прогнозу.
Нижче наведено причини, з яких виникає упередженість прогнозу.
- Упередженості або шум у даних, зокрема упередженість вибірки для навчального набору даних.
- Надто сильна регуляризація, тобто надмірне спрощення моделі, через яке вона позбавлена необхідної складності.
- Помилки в конвеєрі навчання моделі.
- Набір ознак, наданих моделі, недостатній для вирішення поставленого завдання.
Якщо не вказано інше, вміст на цій сторінці надається за ліцензією Creative Commons Зазначення Авторства 4.0, а приклади коду – за ліцензією Apache 2.0. Щоб дізнатися більше, перегляньте Правила сайту Google Developers. Java – це зареєстрована торговельна марка компанії Oracle і/або її філій.
Останнє оновлення: 2025-04-22 (UTC).
[null,null,["Останнє оновлення: 2025-04-22 (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)"]]