#درک_مفهوم #بیش_برازش
#underfitting #overfitting

فرض کنید شما برای یک امتحانِ آخرِ ترم در حال درس خواندن هستید. استاد هم به شما ۱۰۰ عدد نمونه سوال داده است تا با استفاده از آن‌ها بتوانید خود را برای امتحان آماده کنید. اگر شما طوری مطالعه کنید که فقط این ۱۰۰ نمونه سوال را کامل بلد باشید و هر سوالِ دیگری که کمی از این ۱۰۰ سوال فاصله داشته باشد، اشتباه جواب دهید، یعنی ذهنِ شما بر روی سوالاتِ آموزشی که استاد برای یادگیری داده است Overfit یا بیش‌برازش شده است. حال اگر تمامی سوالات را به صورت مفهومی بلد باشید ولی هیچ کدام از سوالات را به صورتِ دقیق بلد نباشید، حتی اگر دقیقاً همان سوال‌ها هم در جلسه امتحان به شما داده شود، باز هم نمی‌توانید به درستی و با دقت پاسخ آن ها را بدهید، البته شاید بتوانید یک پاسخ نصفه و نیمه از سوالات بنویسید. اینجا ذهن شما Underfit شده است. این در حالی است که سوالات دیگری که نزدیک به این سوالات هستند را هم شاید بتوانید نصفه و نیمه پاسخ دهید (ولی دقیق نمی‌توانید).

❇️@Python_AI_ML

#underfitting #overfitting
مثال گفته شده در هنگام آموزش داده ها جهت پیش بینی در آینده نیز میتواند صادق باشد.
❇️@Python_AI_ML

روش های جلوگیری از بیش برازش (over fitting) :

1-استفاده از K-fold cross validation
2-استفاده از تکنیک های data augmentation
3-استفاده از feature selection
4-استفاده از regularization
5-توقف زود هنگام آموزش یا همان early stop
6-استفاده از تکنیکهای Ensemble learning
7-تقسیم درست داده های ترین و تست (hold out data)
8-استفاده از dropout
9-حذف لایه ها در مدل

#overfitting

❇️@Python_AI_ML