1.2.
Обучение и качество модели
В машинном обучении выделяют
обучение с учителем
(когда известны пары «стимул-
реакция»),
обучение без учителя
(нахождение ранее неизвестных закономерностей в данных) и
обучение с подкреплением
(в ходе взаимодействия с некоторой средой). Как было отмечено выше,
основное достоинство НС – способность обучаться на доступных примерах данных, т.е.
адаптировать свою внутреннюю структуру (прежде всего, значения параметров) для достижения
наибольшей точности решения задачи (минимизации наблюдаемой ошибки). Наиболее
эффективным алгоритмом обучения для современных НС считается
обратное распространение
ошибки
. Фактически, полученный на выходе НС результат сравнивается с верным, а затем
алгоритм, двигаясь от выходного слоя по внутренним слоям, изменяет значения весов в связях
нейронов, чтобы минимизировать ошибку.
Для проведения обучения, как правило весь доступный набор данных разделяется в
некоторых пропорциях (например, 0.7:0.1:0.2) на три поднабора:
Обучающие данные
(training set) – используются собственно для настройки параметров
модели посредством минимизации ошибки на них.
Данные для проверки
(validation set) – периодически используются для контроляпроцесса
обучения, чтобы предотвратить переобучение НС.
Тестовые данные
(testing set) – используются для проверки способности обученной модели
к генерализации (способности работать с новыми, ранее не «виденными» моделью
данными).
Качество модели
, как правило, понимается именно как точность её работы на
тестовых данных
Одним из наиболее распространенных показателей итогового качества нейросетевой
модели является
среднеквадратичная ошибка (MSE)
, которая отражает усреднённое расстояние
между предсказанными моделью значениями и реальными значениями. Значение MSE
положительное, и чем ближе к 0 – тем лучше качество модели.
Даже в идеальном случае значение ошибки у НС не должно в точности равняться 0; в
противном случае говорят о явлении «
переобучения
», т.е. установке функциональной зависимости
от обучающих данных. Такая модель, скорее всего покажет низкую точность на тестовых данных,
т.к. они будут отличаться от данных, к которым «приспособилась» модель. Обычно переобучение
возникает, когда объем обучающих данных мал, а количество входных параметров и нейронов в НС
относительно велико. Кроме увеличения объема обучающих данных и
Достарыңызбен бөлісу: |
