La régularisation en Deep Learning est très importante pour surmonter le surapprentissage. Lorsque votre précision d'entraînement est très élevée, mais que la précision de test est très basse, le modèle surapprend fortement le jeu de données d'entraînement et a du mal à faire de bonnes prédictions sur le jeu de données de test.
Le surapprentissage en Deep Learning peut être le résultat d'un réseau de neurones très profond ou d'un nombre élevé de neurones. La technique pour réduire le nombre de neurones ou annuler l'effet de certains neurones s'appelle la régularisation.
Avec la régularisation en Deep Learning, nous annulons l'effet de certains neurones, et ainsi, nous créons un réseau simple qui générera une frontière de décision qui s'adapte bien à la fois au jeu de données d'entraînement et au jeu de données de test.
Si notre modèle ne surapprend pas, alors nous n'avons pas besoin d'utiliser la régularisation. Mais lorsque notre modèle surapprend, c'est seulement à ce moment-là que nous utilisons la régularisation.
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Horodatages :
0:00 Le Problème
0:56 Surapprentissage en Deep Learning
2:35 Surapprentissage en Régression Linéaire
3:39 Définition de la Régularisation
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
C'est votre voie vers le Machine Learning ⭐
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖