Mustaqil ish tuzuvchi: oripov avazbek

Overfitting: Agar bizda juda ko'p xususiyatlar mavjud bo'lsa, o'rganilgan Model training to'plamiga juda mos kelishi mumkin ( ), ammo yangi misollarni aniqlashda xatolik kata bo’ladi.
Narxi

Yuzasi
Narxi

Yuzasi
Narxi

Yuzasi
Misol: Logistik regressiya
( = sigmoid funksiyasi)
x1
x2


x1
x2
x1


x2
Misol: Logistik regressiya
( = sigmoid funksiyasi)
x1
x2


x1
x2
x1


x2

Bias va Variance tushunchalari.

Bias - bu bizning modelimizning o'rtacha bashorati va biz taxmin qilmoqchi bo'lgan to'g'ri qiymat o'rtasidagi farq. Yuqori darajadagi model o'quv ma'lumotlariga juda kam e'tibor beradi va modelni soddalashtiradi. Bu har doim o'qitish va test ma'lumotlarida yuqori xatolarga olib keladi.

Variance - bu ma'lumotlarning ma'lum bir nuqtasi yoki qiymati uchun modelni bashorat qilishning o'zgaruvchanligi, bu bizga ma'lumotlarning tarqalishini bildiradi. Yuqori variance model o'quv ma'lumotlariga katta e'tibor beradi va ilgari ko'rmagan ma'lumotlarni umumlashtirmaydi. Natijada, bunday modellar o'quv ma'lumotlarini juda yaxshi bajaradi, ammo test ma'lumotlarida yuqori xato ko'rsatkichlariga ega.

Bias va Variance tushunchalari.

Haddan tashqari mos keladigan model (Owerfitting)
Narxi

Yuzasi
Uy yuzasi
Yotoqxona soni
Qavatlar soni
Uy yoshi
Havlining yuzasi
Oshxona yuzasi

Haddan tashqari mos keladigan model (Owerfitting)
Nima qilish mumkin:

• 
  Xususiyatlar soniga ta’sir qilish.
  
  • 
    Qo’lda xususiyatlarni tanlash.
    
  • 
    Modelni tanlash (kurs davomida ko’ramiz).
    
• 
  Regularization(Mostlashtirish, sozlash).
  
  • 
    Barcha xususiyatlarni qoldirish, lekin parametrlarni kuchini o’zgartirish .
    
  • 
    Ko’p xususiyatlar bilan ishlash modelni qurishda goydali hisoblanadi. Ular ni aniqroq bashorat qilishda hissa qo’shadi.