L1, L2, dropout ve erken durdurma gibi düzenlileştirme teknikleriyle aşırı uyumu önleyin ve model genelleştirmesini iyileştirin. Daha fazlasını öğrenin!
Düzenli hale getirme, Makine Öğreniminde (ML) aşırı uyum adı verilen yaygın bir sorunu önlemek için kullanılan bir dizi tekniktir. Aşırı uyum, bir modelin eğitim verilerini gürültü ve rastgele dalgalanmalar da dahil olmak üzere çok iyi öğrenmesi durumunda ortaya çıkar ve bu da modelin yeni, görünmeyen veriler üzerindeki performansını olumsuz etkiler. Düzenli hale getirme yöntemleri, model karmaşıklığı için bir ceza getirerek modeli yeni verilere daha iyi genelleme yapan daha basit kalıpları öğrenmeye teşvik eder. Bu, bilgisayarla görme (CV) ve doğal dil işleme (NLP) alanlarında kullanılanlar da dahil olmak üzere sağlam yapay zeka modelleri oluşturmak için çok önemlidir.
Düzenli hale getirme, özellikle derin öğrenme (DL) modelleri ve sinir ağları (NN) gibi karmaşık modeller olmak üzere güvenilir makine öğrenimi modellerinin eğitimi için esastır. Düzenli hale getirme olmadan, bu modeller altta yatan örüntüleri öğrenmek yerine eğitim verilerini kolayca ezberleyebilir. Bu da eğitim setinde yüksek doğruluğa, ancak doğrulama verilerinde veya gerçek dünya girdilerinde düşük performansa yol açar. Düzenli hale getirme, kayıp fonksiyonuna bir ceza terimi ekleyerek model ağırlıklarının büyüklüğünü kontrol etmeye yardımcı olur, modeli etkili bir şekilde basitleştirir ve genelleme yeteneğini geliştirir. Verilere uyum sağlama ve basitliği koruma arasındaki bu denge genellikle yanlılık-varyans ödünleşimi bağlamında tartışılır. Gibi modeller için Ultralytics YOLOdüzenlileştirme, gerçek zamanlı nesne algılama gibi zorlu görevlerde yüksek doğruluk elde edilmesine katkıda bulunur.
Çeşitli düzenlileştirme teknikleri yaygın olarak kullanılmaktadır:
Düzenli hale getirme, diğer önemli makine öğrenimi kavramlarından farklıdır:
Düzenli hale getirme teknikleri, birçok yapay zeka uygulamasının pratik başarısı için gereklidir:
Görüntü sınıflandırmada, CNN'ler gibi derin sinir ağları milyonlarca parametreye sahip olabilir. Düzenli hale getirme (Dropout veya L2 gibi) olmadan, bu modeller ImageNet gibi veri kümelerine kolayca aşırı uyum sağlayabilir. Düzenli hale getirme, modelin belirli eğitim görüntülerini ezberlemek yerine genel görsel özellikleri (kenarlar, dokular, şekiller) öğrenmesini sağlayarak tıbbi görüntü analizinden otonom sürüşe kadar çeşitli uygulamalarda karşılaşılan yeni görüntülerde daha iyi sınıflandırma doğruluğu elde edilmesine yardımcı olur. Bilgisayarla görme projelerinde aşırı uyumun nasıl ele alındığını görün.
Duygu analizi veya makine çevirisi gibi NLP görevlerinde, Transformers gibi modeller, özellikle sınırlı eğitim verileriyle aşırı uyumdan da muzdarip olabilir. Modelin yalnızca eğitim külliyatında bulunan belirli kelimelere veya ifadelere çok fazla güvenmesini önlemek için bırakma ve ağırlık azaltma (L2) dahil olmak üzere düzenleme teknikleri uygulanır. Bu, modelin sohbet robotları veya içerik özetleme araçları gibi gerçek dünya senaryolarında insan dilini daha etkili bir şekilde anlama ve üretme yeteneğini geliştirir.