Model regresji liniowej wykazuje bardzo wysoką dokładność w zbiorze treningowym, ale słabo radzi sobie z nowymi, niewidzianymi danymi. Jakie działanie powinien podjąć inżynier ML, aby rozwiązać ten problem?
Wybierz odpowiedź
Dotknij opcji, aby sprawdzić swoją odpowiedź.
Poprawna odpowiedź: Zastosować techniki ML, takie jak walidacja krzyżowa i regularyzacja. Użyć Amazon SageMaker Experiments do śledzenia i porównywania różnych wersji modeli oraz ich metryk wydajności..
Dlaczego to jest odpowiedź
Model wykazujący wysoką dokładność na danych treningowych, ale słabą na nowych danych, cierpi na nadmierne dopasowanie (overfitting). Walidacja krzyżowa pomaga ocenić, jak model uogólnia się na niewidziane dane, a regularyzacja (np. L1, L2) zmniejsza złożoność modelu, zapobiegając nadmiernemu dopasowaniu. Amazon SageMaker Experiments to idealne narzędzie do śledzenia i porównywania wyników różnych eksperymentów z regularyzacją i walidacją krzyżową. Zwiększenie złożoności modelu pogorszyłoby problem nadmiernego dopasowania. Bezpośrednie wdrożenie nie rozwiąże problemu wydajności. Zwiększenie rozmiaru danych treningowych może pomóc, ale bez regulacji modelu problem nadmiernego dopasowania może nadal występować.
Zdaj egzamin — bez niekończącego się szukania odpowiedzi
Uzyskaj wszystkie zweryfikowane pytania i wyjaśnienia do tego egzaminu w jednym miejscu i zaoszczędź godziny przygotowań. Ponad 1000 certyfikacji · Ponad 20 języków · Zacznij za darmo.
Zdaj egzamin szybciej → Karta nie jest wymagana