Раздел: Машинное обучение

Свойство набора данных, при котором классы можно разделить одной прямой (в 2D), плоскостью (в 3D) или гиперплоскостью в пространстве большей размерности.

Метод регуляризации, который добавляет к функции потерь штраф за большие веса, пропорциональный сумме их квадратов. Снижает переобучение, заставляя модель использовать признаки более…

Метод регуляризации в машинном обучении, добавляющий к функции потерь штраф за сумму абсолютных значений весов, что обнуляет часть параметров и создаёт разреженные…

Метод регуляризации в обучении нейросетей, при котором веса модели штрафуются за большие значения, чтобы предотвратить переобучение.

Подпространство размерности n−1 в n-мерном пространстве, которое делит его на две половины и используется как граница принятия решений в линейных классификаторах.

Алгоритм машинного обучения с учителем, который строит разделяющую гиперплоскость с максимальным зазором между классами для классификации и регрессии.

Компромисс между смещением и дисперсией модели: снижение одного параметра ведёт к росту другого, а оптимальная сложность минимизирует общую ошибку.

Метод оценки модели, при котором данные разбиваются на k частей, и модель поочерёдно обучается на k-1 частях и тестируется на оставшейся.

Dropout - метод регуляризации нейронных сетей, при котором во время обучения случайно отключается часть нейронов, чтобы предотвратить переобучение и улучшить обобщающую способность…

Состояние модели машинного обучения, при котором она не улавливает закономерности в данных и показывает низкую точность как на обучающей, так и на…