Creo que te refieres al sobreajuste.
Idealmente, queremos un modelo de aprendizaje automático para aprender características generales en las entradas. El ajuste excesivo ocurre cuando el modelo también aprende algunas regularidades accidentales en la entrada. Por ejemplo, queremos entrenar al modelo para identificar un gato, y alimentamos imágenes de muestra de gatos en su mayoría negros. El modelo podría ajustarse demasiado para aprender que los gatos son en su mayoría negros, y podría no reconocer a los gatos que no son negros.
Hay otros casos de sobreajuste, por ejemplo, el modelo podría tener mucha capacidad de aprendizaje (podría tener muchas capas ocultas), en cuyo caso el modelo podría memorizar todas las entradas de entrenamiento y no generalizar bien para muestras de prueba no vistas . Existen técnicas como la regularización, la deserción, etc., que pueden ayudar a lidiar con esto.
- ¿Qué lenguaje de programación se usa para controlar robots industriales?
- ¿Cómo puede la IA / aprendizaje automático ayudar a las sociedades pobres?
- ¿Cómo puede un cerebro humano entrenar con mucha menos información y saber que un gato es un gato, en comparación con el aprendizaje profundo?
- ¿Python es mejor para la IA?
- ¿La Inteligencia Artificial afectará a todas las industrias y empresas si se vuelve real?
