Compreendendo recursos supercompletos em aprendizado de máquina
Overcomplete refere-se a uma situação em que um modelo ou conjunto de recursos é muito complexo e captura mais variação nos dados do que o necessário. Em outras palavras, o modelo ou os recursos são capazes de ajustar o ruído nos dados, em vez dos padrões subjacentes. Isso pode levar a um baixo desempenho de generalização em novos dados, à medida que o modelo se torna excessivamente especializado para os dados de treinamento. . Por exemplo, se um modelo tem 100 características, mas apenas 20 delas são verdadeiramente relevantes para o problema, então as outras 80 características são consideradas supercompletas.
Marcar como "Gostei"
Marcar como "Não gostei"
Reportar um erro de conteúdo
Compartilhar
