Einführung
Beim maschinellen Lernen hat jeder Schätzer seine Vor- und Nachteile. Der Verallgemeinerungsfehler eines Schätzers kann in Bias, Varianz und Rauschen zerlegt werden. Der Bias eines Schätzers ist der durchschnittliche Fehler für verschiedene Trainingssets, während die Varianz seine Empfindlichkeit gegenüber unterschiedlichen Trainingssets anzeigt. Rauschen ist eine Eigenschaft der Daten.
In diesem Lab werden wir untersuchen, wie man Validierungskurven verwendet, um die Leistung von maschinellen Lernmodellen zu evaluieren. Validierungskurven ermöglichen es uns, die Auswirkungen eines einzelnen Hyperparameters auf die Trainingsbewertung und die Validierungsbewertung zu visualisieren, was uns hilft, zu bestimmen, ob das Modell für verschiedene Hyperparameterwerte überangepasst oder unterangepasst ist.
Tipps für die VM
Nachdem die VM gestartet ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu nutzen.
Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen von Jupyter Notebook nicht automatisiert werden.
Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.