La regularización en el aprendizaje profundo es muy importante para superar el sobreajuste. Cuando tu precisión en el entrenamiento es muy alta, pero la precisión en la prueba es muy baja, el modelo está sobreajustando en gran medida el conjunto de datos de entrenamiento y tiene dificultades para hacer buenas predicciones en el conjunto de datos de prueba.
El sobreajuste en el aprendizaje profundo puede ser el resultado de tener una red neuronal muy profunda o un alto número de neuronas. Y la técnica para reducir el número de neuronas o anular el efecto de ciertas neuronas se llama regularización.
Con la regularización en el aprendizaje profundo, estamos anulando el efecto de ciertas neuronas, y así, creamos una red simple que generará un límite de decisión que se ajusta bien tanto en el conjunto de datos de entrenamiento como en el de prueba.
Si nuestro modelo no está sobreajustando, entonces no necesitamos usar regularización. Pero cuando nuestro modelo está sobreajustando, solo entonces usamos regularización.
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Tiempos:
0:00 El Problema
0:56 Sobreajuste en Aprendizaje Profundo
2:35 Sobreajuste en Regresión Lineal
3:39 Definición de Regularización
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Esta es tu vía hacia el Aprendizaje Automático ⭐
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖