Nederlands
Menu

Basis van machine learning

Wat is er te zien als er overfitting optreedt?

  1. ADe fout op de trainingsdata is klein, maar de fout op de validatiedata is groot
  2. BDe fout blijft zowel op de trainingsdata als op de validatiedata groot en daalt niet
  3. CNaarmate het trainen vordert, blijven de fouten op de trainingsdata en op de validatiedata op dezelfde manier dalen
Antwoord en toelichting tonen

Antwoord: A. De fout op de trainingsdata is klein, maar de fout op de validatiedata is groot

Bij overfitting heeft het model fijne details en zelfs de ruis van de trainingsdata uit het hoofd geleerd, zodat de prestaties op nieuwe gegevens (het generalisatievermogen) dalen. Het kenmerkende teken is een kleine fout op de trainingsdata samen met een grote fout op de validatiedata. Is de fout al op de trainingsdata groot, dan is er sprake van underfitting: het model vangt de trend niet, bijvoorbeeld omdat het te eenvoudig is. Tegenmaatregelen zijn meer gegevens, een eenvoudiger model, regularisatie, dropout en early stopping, dat het trainen beëindigt zodra de validatiefout begint te stijgen.

Dit onderwerp oefenen Naar de onderwerppagina

Meer vragen over Basis van machine learning

  1. Welke uitspraak is juist als de fout van een model wordt opgesplitst in bias en variantie?
  2. Welke beschrijving van regularisatie en verwante methoden om overfitting te beperken is juist?
  3. Welke van de volgende stappen bij het bouwen van een machinelearningmodel veroorzaakt data leakage (informatie uit de evaluatiedata die in de training terechtkomt)?
  4. Een model voor classificatie met twee klassen is geëvalueerd op 200 testgegevens. De verwarringsmatrix toont 45 terecht-positieven (TP), 5 fout-positieven (FP), 45 fout-negatieven (FN) en 105 terecht-negatieven (TN). Welke combinatie van precisie en recall is juist?
  5. Een model voor classificatie met twee klassen is geëvalueerd op 200 testgegevens, met TP = 20, FP = 5, FN = 30 en TN = 145. Welke waarde ligt het dichtst bij de F1-score?