SageMaker'ın XGBoost'unu kullanan bir dolandırıcılık tespit modeli, eğitim verilerine çok iyi uyum sağlıyor ancak yeni, görülmemiş işlemlerde dolandırıcılığı tespit edemiyor. ML mühendisi, yeni işlemlere genellemeyi iyileştirmek için hangi değişikliği yapmalıdır?
Bir cevap seçin
Cevabınızı kontrol etmek için bir seçeneğe dokunun.
Doğru cevap: Ağaç karmaşıklığını azaltmak için max_depth hiperparametresini azaltın..
Neden bu cevap
Modelin eğitim verilerine çok iyi uyum sağlaması ancak yeni verilerde başarısız olması, aşırı öğrenme (overfitting) belirtisidir. XGBoost'ta aşırı öğrenmeyi azaltmanın bir yolu, modelin karmaşıklığını düşürmektir. maxdepth hiperparametresini azaltmak, her bir ağacın daha sığ olmasını sağlar, bu da modelin eğitim verilerindeki gürültüyü öğrenme olasılığını azaltır ve daha iyi genelleme yapmasına yardımcı olur. learningrate'i artırmak genellikle aşırı öğrenmeyi artırabilir. Alakasız özelliklerin kaldırılması faydalı olabilir ancak maxdepth'i azaltmak, aşırı öğrenmeyle doğrudan mücadele eden daha etkili bir hiperparametre ayarlamasıdır. Daha derin ağaçlara izin vermek için maxdepth'i artırmak ise aşırı öğrenmeyi daha da kötüleştirir.
Sonsuz cevap arayışı olmadan sınavınızı geçin
Bu sınav için her doğrulanmış soruyu ve açıklamayı tek bir yerde edinin ve saatlerce süren hazırlıktan tasarruf edin. 1.000'den fazla sertifika · 20'den fazla dil · ücretsiz başlayın.
Sınavınızı daha hızlı geçin → Kart gerekmez