iT邦幫忙

2021 iThome 鐵人賽

DAY 25
0
自我挑戰組

人臉辨識的基礎理論系列 第 25

人臉辨識-day25 Overfitting、Underfitting

  • 分享至 

  • xImage
  •  

在處理完資料集後,將資料放入模型訓練時,會將資料集分為訓練集、驗證集和測試集,訓練集是模型會對訓練集中的每個範例進行預測,並將預測結果與目標進行比較,根據比較的結果,學習演算法會更新模型的參數;驗證集提供了對在訓練集上調適得到模型的無偏評估,驗證集可用於正則化中的提前停止,在驗證集誤差上升時停止訓練;測試集可被用來提供對最終模型的無偏評估,必須使用與訓練集不一樣的資料。

在訓練時有可能會出現以下狀況:
1.Overfitting(過度學習)
過度學習訓練資料,變得無法預測或分辨不是訓練資料的其他資料,只是將訓練資料死背起來,但只要資料一有變動,預測的錯誤率提高,將不必要的特徵也記住,只要一出現此特徵就會誤認為是某一類別。
解決方式:使用驗證集來測試,在模型預測未知的資料時,也是要擁有能正確判斷的能力,在每個epoch後準確率要持續的上升。

有可能發生的原因
1.訓練資料太少
2.訓練時使用太多參數或特徵來訓練
可減少模型層數或參數個數
使用Regularization(正規化)的方式將可能有發生異常點處理的問題給處理
3.Weight decay(權重衰減)

2.Underfitting(擬合不足)
在訓練誤差總是無法降低,預測的準確率很低,這種現象就稱為Underfitting,就必需多訓練幾次模型,因為模型還沒學習完資料集,就訓練結束。


上一篇
人臉辨識-day24 模型預測
下一篇
人臉辨識-day26
系列文
人臉辨識的基礎理論30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言