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
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2024-08-13 UTC."],[[["Prediction bias, calculated as the difference between the average prediction and the average ground truth, is a quick check for model or data issues."],["A 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."],["Significant prediction bias can indicate problems in the training data, the model itself, or the new data being applied to the model."],["Common causes of prediction bias include biased data, excessive regularization, bugs in the training process, and insufficient features provided to the model."]]],[]]
