El error debido al sesgo: el error debido al sesgo se toma como la diferencia entre la predicción esperada (o promedio) de nuestro modelo y el valor correcto que estamos tratando de predecir. Solo tenemos un modelo que habla de predicción esperada o promedio Los valores pueden parecer un poco extraños, pero podemos usar todo el proceso más de una vez.
El sesgo mide cómo, en general, las predicciones de estos modelos provienen del valor correcto. (ver en la figura)
Error debido a la varianza
- Soy maestra de preescolar pero estoy muy interesado en las máquinas y quiero comenzar un aprendizaje adecuado. ¿Donde debería empezar?
- ¿Qué algoritmo de recomendaciones es más efectivo para desarrollar un entorno de crowdsourcing y qué lenguaje de programación sugiere?
- ¿Cuáles son las desventajas de [math] abs (x) [/ math] como función de activación en redes neuronales?
- ¿Cuáles son los modelos actuales de análisis de sentimiento de arte independientemente de la efectividad?
- ¿Para qué se puede utilizar el análisis de la marcha?
El error debido a la varianza se toma como la variabilidad de una predicción del modelo para un punto de datos dado. La varianza es cuánto varían las predicciones para un punto dado entre diferentes realizaciones del modelo.
(fig. 1º) sesgo alto y varianza baja ……… fig.2. (sesgo alto y varianza alta)
(fig.3) sesgo bajo y varianza baja …………. (fig.4) sesgo alto y varianza alta _______________________________________________que el de la fig.2.