A regularização em Deep Learning é muito importante para superar o overfitting. Quando a precisão do seu treinamento é muito alta, mas a precisão do teste é muito baixa, o modelo está altamente sobreajustado ao conjunto de dados de treinamento e tem dificuldade em fazer boas previsões no conjunto de dados de teste.
O overfitting em Deep Learning pode ser o resultado de ter uma rede neural muito profunda ou um número elevado de neurônios. E a técnica para reduzir o número de neurônios ou anular o efeito de certos neurônios é chamada de regularização.
Com a regularização em Deep Learning, estamos anulando o efeito de certos neurônios e, assim, criamos uma rede simples que gerará uma fronteira de decisão que se ajusta bem tanto ao conjunto de dados de treinamento quanto ao de teste.
Se nosso modelo não estiver sobreajustado, então não precisamos usar a regularização. Mas quando nosso modelo está sobreajustado, só então usamos a regularização.
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Timestamps:
0:00 O Problema
0:56 Overfitting em Deep Learning
2:35 Overfitting em Regressão Linear
3:39 Definição de Regularização
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Esta é sua Via para Machine Learning ⭐
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖