ПЕРЕОБУЧЕНИЕ И НЕДООБУЧЕНИЕ В МАШИННОМ ОБУЧЕНИИ | overfitting, underfitting для регрессии

Все хотят, чтобы их модельки обучались идеально, никто не хочет сталкиваться с переобучением и недообучением - явлениями в машинном обучении, которые говорят о плохой способности моделей восстанавливать закономерности из данных. В этом видео рассмотрим, как отловить переобучение, какие есть признаки недообучения и что такое идеальное обучение.

Курсы на платформе Stepik:
1. Библиотеки Python для Data Science https://stepik.org/a/129105
2. Введение в нейронные сети (Keras/Tensorflow) https://stepik.org/a/127274


Для лучшего усвоения переобучения сначала ознакомьтесь с метриками для задачи регрессии (   • МЕТРИКИ РЕГРЕССИИ В МАШИННОМ ОБУЧЕНИИ...  ) и алгоритмом построения дерева решений (   • Как обучается дерево решений для регр...  ).


Презентация из видео: https://docs.google.com/presentation/...

Ноутбук из видео: https://colab.research.google.com/dri...


0:00 Введение
0:15 Получение данных
1:18 Разбиение на обучающую выборку и тестовую
1:49 Переобучение (Overfitting)
5:26 Недообучение (Underfitting)
7:57 Нормальное обучение
10:14 Резюме