Presná definícia
Čo znamená zovšeobecnenie?
Zovšeobecnenie je schopnosť naučeného modelu dosahovať prijateľný výkon na nových príkladoch z cieľového dátového procesu, ktoré nepoužil pri učení ani ladení. Neznamená úspech na ľubovoľnom vstupe: vždy sa viaže na populáciu, distribúciu, metriku a časové podmienky. Model môže zovšeobecniť v rámci distribúcie a zlyhať pri kovariačnom alebo konceptovom posune.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri modeli dopytu sa posledné obdobie alebo celé prevádzky podržia mimo tréningu podľa budúceho spôsobu použitia. Výkon sa hodnotí na nedotknutých dátach a v segmentoch, kde chyba mení rozhodnutie. Porovná sa s tréningovým výsledkom, jednoduchým baseline a neistotou odhadu. Augmentácia, regularizácia a viac dát pomáhajú len vtedy, keď odrážajú cieľový proces. Po nasadení sa zovšeobecnenie priebežne prehodnocuje, pretože reálny svet nie je statická testovacia množina a model môže svojimi rozhodnutiami meniť budúce dáta.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo znamenajú nové príklady?
Záznamy, ktoré neovplyvnili parametre, hyperparametre, výber príznakov ani rozhodnutie o verzii modelu.
Je zovšeobecnenie to isté ako výkon mimo distribúcie?
Nie. Bežná generalizácia predpokladá podobný proces; OOD skúma porušenie tohto predpokladu.
Zaručuje nízka tréningová chyba zovšeobecnenie?
Nie. Môže odrážať memorovanie alebo únik údajov.
Môže model zovšeobecniť podľa jednej metriky a nie inej?
Áno, napríklad zachovať presnosť, ale stratiť kalibráciu alebo výkon vzácnej triedy.
Prečo sa kontrola nekončí testom?
Populácia, zber dát a spätná väzba sa po nasadení menia a môžu zrušiť pôvodný dôkaz.