Fazla uyum: Kayıp eğrilerini yorumlama

Tüm kayıp eğrileriniz modelinizi ilk kez eğittiğinizde aşağıdaki gibi görünseydi makine öğrenimi çok daha basit olurdu:

Şekil 20. Makine öğrenimi modelini eğitirken ideal kayıp eğrisini gösteren bir grafik. Kayıp eğrisi, y-eksenindeki kaybı x-eksenindeki eğitim adımlarının sayısına göre gösterir. Eğitim adımlarının sayısı arttıkça kayıp yüksek başlar, ardından katlanarak azalır ve en sonunda minimum kayıba ulaşacak şekilde düz bir çizgiye ulaşır.
Şekil 20. İdeal bir kayıp eğrisi.

Maalesef kayıp eğrilerinin yorumlanması genellikle zordur. Bu sayfadaki alıştırmaları çözmek için kayıp eğrileri hakkındaki sezgilerinizi kullanın.

1. Alıştırma: Salınım gösteren kayıp eğrisi

Şekil 21. Kaybın düzleşmediği bir kayıp eğrisi (y ekseninde kayıp; x ekseninde eğitim adımlarının sayısı).
            Bunun yerine, kayıp düzensiz bir şekilde salınır.
Şekil 21. Salınımlı kayıp eğrisi.
Şekil 21'de gösterilen kayıp eğrisini iyileştirmek için üç şey yapabilirsiniz.
Eğitim veri kümesindeki örnek sayısını artırın.
Eğitim kümesini güvenilir örneklerin çok küçük bir sayısına indirin.
Öğrenme hızını düşürün.
Öğrenme hızını artırın.
Kötü örnekleri tespit etmek için verilerinizi bir veri şemasıyla karşılaştırın ve ardından kötü örnekleri eğitim veri kümesinden kaldırın.

2. alıştırma. Keskin bir sıçrama gösteren kayıp eğrisi

Şekil 22. Kaybın belirli bir eğitim adımı sayısına kadar azaldığını ve daha sonra sonraki eğitim adımlarıyla aniden arttığını gösteren bir kayıp eğrisi grafiği.
Şekil 22. Kaybınızda keskin bir artış.
Aşağıdaki ifadelerden hangi ikisi, Şekil 22'de gösterilen patlama şeklindeki kaybın olası nedenlerini tanımlar?
Normalleştirme oranı çok yüksek.
Öğrenme hızı çok düşük.
Giriş verileri çok sayıda aykırı değer içeriyor.
Giriş verileri bir veya daha fazla NaN içeriyor (örneğin, sıfıra bölme işleminin neden olduğu bir değer).

3. alıştırma. Test kaybı, eğitim kaybından farklı

Şekil 23. Eğitim kaybı eğrisi birleşiyor gibi görünüyor ancak belirli sayıda eğitim adımı sonrasında doğrulama kaybı yükselmeye başlıyor.
Şekil 23. Doğrulama kaybında keskin bir artış.
Aşağıdaki ifadelerden hangisi, eğitim ve test veri kümelerinin kayıp eğrileri arasındaki bu farkın nedenini en iyi şekilde tanımlar?
Model, eğitim veri kümesine fazla uyum sağlıyor.
Öğrenme hızı çok yüksek.

4. alıştırma. Kayıp eğrisi takılıyor

Şekil 24. Eğitimle birlikte kaybın yakınlaşmaya başladığını ancak daha sonra dikdörtgen dalgaya benzeyen tekrarlanan kalıplar gösterdiğini gösteren bir kayıp eğrisi grafiği.
Şekil 24. Belirli sayıda adımdan sonra kaotik kayıp.
Şekil 24'te gösterilen düzensiz kayıp eğrisinin en olası açıklaması aşağıdaki ifadelerden hangisi?
Eğitim kümesi, tekrarlanan örnek dizileri içeriyor.
Eğitim veri kümesi çok fazla özellik içeriyor.
Normalleştirme oranı çok yüksek.