| http://dbpedia.org/ontology/abstract
|
在机器学习中，提前停止（英语：early stopping）是一种在使用诸如梯度下降之类的迭代优化方法时，可对抗过拟合的正则化方法。这些迭代优化方法在每轮迭代过程中，都会使得模型更好地与训练集拟合。在某个节点之前，更好地拟合训练集使得模型在训练集之外的数据上表现得更好；但在该节点之后，更好地拟合训练集会增大泛化误差。提前停止相关规则给出停止迭代的条件，以便在模型开始过拟合之前停止迭代优化。提前停止相关规则已被用于多种机器学习方法。
, Early Stopping bezeichnet eine Regularisierungstechnik, um Überanpassung bei iterativen Methoden des maschinellen Lernens zu verhindern.
, Рання зупинка є формою регуляризації, яка … Рання зупинка є формою регуляризації, яка використовується для уникнення перенавчання у процесі машинного навчання за допомогою ітераційного методу, такого як градієнтний спуск. Такі методи оновлюють поточний стан так, щоб він краще відповідав навчальним даним з кожною ітерацією. До певного моменту це покращує продуктивність на даних розташованих поза навчальним набором. Але в якийсь момент поліпшення пристосування до навчальних даних вже відбувається за рахунок посилення похибки узагальнення. Правила ранньої зупинки дають вказівки щодо того, скільки ітерацій можна виконати до того, як почнеться перенавчання. Правила ранньої зупинки застосовувалися в багатьох різних методах машинного навчання, з різним теоретичним обґрунтуванням.ання, з різним теоретичним обґрунтуванням.
, In machine learning, early stopping is a f … In machine learning, early stopping is a form of regularization used to avoid overfitting when training a learner with an iterative method, such as gradient descent. Such methods update the learner so as to make it better fit the training data with each iteration. Up to a point, this improves the learner's performance on data outside of the training set. Past that point, however, improving the learner's fit to the training data comes at the expense of increased generalization error. Early stopping rules provide guidance as to how many iterations can be run before the learner begins to over-fit. Early stopping rules have been employed in many different machine learning methods, with varying amounts of theoretical foundation.varying amounts of theoretical foundation.
|
| http://dbpedia.org/ontology/wikiPageID
|
213214
|
| http://dbpedia.org/ontology/wikiPageLength
|
13267
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1048470765
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/File:Overfitting_on_Training_Set_Data.pdf +
, http://dbpedia.org/resource/Non-parametric_regression +
, http://dbpedia.org/resource/Validation_set +
, http://dbpedia.org/resource/Generalization_error +
, http://dbpedia.org/resource/Holdout_method +
, http://dbpedia.org/resource/Regularization_%28mathematics%29 +
, http://dbpedia.org/resource/Tikhonov_regularization +
, http://dbpedia.org/resource/Boosting_%28machine_learning%29 +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Consistency_%28statistics%29 +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/AdaBoost +
, http://dbpedia.org/resource/Loss_function +
, http://dbpedia.org/resource/Principal_component_regression +
, http://dbpedia.org/resource/Statistical_learning_theory +
, http://dbpedia.org/resource/Overfitting +
, http://dbpedia.org/resource/Gradient_descent +
, http://dbpedia.org/resource/Bias-variance_dilemma +
, http://dbpedia.org/resource/Reproducing_kernel_Hilbert_space +
, http://dbpedia.org/resource/Cross-validation_%28statistics%29 +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Sub +
, http://dbpedia.org/resource/Template:Quotation +
, http://dbpedia.org/resource/Template:Main +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Form +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Early_stopping?oldid=1048470765&ns=0 +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Early_stopping +
|
| owl:sameAs |
http://rdf.freebase.com/ns/m.01f78j +
, http://zh.dbpedia.org/resource/%E6%8F%90%E5%89%8D%E5%81%9C%E6%AD%A2 +
, http://dbpedia.org/resource/Early_stopping +
, http://de.dbpedia.org/resource/Early_Stopping +
, http://yago-knowledge.org/resource/Early_stopping +
, https://global.dbpedia.org/id/4jCk9 +
, http://www.wikidata.org/entity/Q5326898 +
, http://uk.dbpedia.org/resource/%D0%A0%D0%B0%D0%BD%D0%BD%D1%8F_%D0%B7%D1%83%D0%BF%D0%B8%D0%BD%D0%BA%D0%B0 +
|
| rdf:type |
http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/Description106724763 +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/Specification106725067 +
|
| rdfs:comment |
Рання зупинка є формою регуляризації, яка … Рання зупинка є формою регуляризації, яка використовується для уникнення перенавчання у процесі машинного навчання за допомогою ітераційного методу, такого як градієнтний спуск. Такі методи оновлюють поточний стан так, щоб він краще відповідав навчальним даним з кожною ітерацією. До певного моменту це покращує продуктивність на даних розташованих поза навчальним набором. Але в якийсь момент поліпшення пристосування до навчальних даних вже відбувається за рахунок посилення похибки узагальнення. Правила ранньої зупинки дають вказівки щодо того, скільки ітерацій можна виконати до того, як почнеться перенавчання. Правила ранньої зупинки застосовувалися в багатьох різних методах машинного навчання, з різним теоретичним обґрунтуванням.ання, з різним теоретичним обґрунтуванням.
, In machine learning, early stopping is a f … In machine learning, early stopping is a form of regularization used to avoid overfitting when training a learner with an iterative method, such as gradient descent. Such methods update the learner so as to make it better fit the training data with each iteration. Up to a point, this improves the learner's performance on data outside of the training set. Past that point, however, improving the learner's fit to the training data comes at the expense of increased generalization error. Early stopping rules provide guidance as to how many iterations can be run before the learner begins to over-fit. Early stopping rules have been employed in many different machine learning methods, with varying amounts of theoretical foundation.varying amounts of theoretical foundation.
, Early Stopping bezeichnet eine Regularisierungstechnik, um Überanpassung bei iterativen Methoden des maschinellen Lernens zu verhindern.
, 在机器学习中，提前停止（英语：early stopping）是一种在使用诸如梯度下降之类的迭代优化方法时，可对抗过拟合的正则化方法。这些迭代优化方法在每轮迭代过程中，都会使得模型更好地与训练集拟合。在某个节点之前，更好地拟合训练集使得模型在训练集之外的数据上表现得更好；但在该节点之后，更好地拟合训练集会增大泛化误差。提前停止相关规则给出停止迭代的条件，以便在模型开始过拟合之前停止迭代优化。提前停止相关规则已被用于多种机器学习方法。
|
| rdfs:label |
提前停止
, Early Stopping
, Рання зупинка
, Early stopping
|
