| Yhteenveto: | Ylisovitus on yleinen ongelma ohjatussa oppimisessa, missä malli oppii suoriutumaan hyvin oppimisessa käytetyllä datalla, mutta alisuoriutuu oppimisen aikana näkemättömällä datalla. Regularisointimenetelmillä pyritään vähentämään ylisovitusta ohjatun oppimisen sovellutuksissa. Tämä tutkielma keskittyy tutkimaan ja kartoittamaan erilaisia neuroverkoissa käytettyjä regularisointimenetelmiä.
Overfitting is a common problem in supervised learning, where a model learns to perform well with the data used to train it, but underperforms with data it has not seen during the training. Regularization methods are used to reduce overfitting in applications of supervised learning. This paper focuses on researching and mapping various regularization methods used in neural networks.
|
|---|