汎化誤差とは. 仮説 h ∈ H h ∈ H とデータの背後にある分布 D D が与えられたとき， h h の汎化誤差を次式で定義します．. R(h) = Pr(x,y)∼D[h(x) ≠ y] = E(x,y)∼D[1h(x)≠y] R ( h) = Pr ( x, y) ∼ D [ h ( x) ≠ y] = E ( x, y) ∼ D [ 1 h ( x) ≠ y] ただし， 1ω = {1 0 ω is True ω is False 1 ω = { 1 ω is True 0 ω is False. としました．. 汎化誤差を言葉で説明すると， 「分布 D D に従ってデータを取ってきたときに間違える確率」となります．. 汎化誤差とは「真のモデルと学習モデルの誤差」を指す。 つまり、まだ観測されていない値（以下の図の のようなデータ）を含む真のモデルと学習モデルの誤差。 対する汎化性を獲得するため，Fine-Tuning 時の正則化[1] や少数サンプルの拡張[28] が試みられている．以上に述べ た従来研究では，少数サンプルの導入に際して，破滅的忘 却[15,16] と呼ばれる，未知クラス以外のクラス（事前学 汎化能力は、訓練予測誤差とテスト予測誤差の差である「汎化誤差」で決まるため、汎化誤差の小さい予測手法を見つけることが重要です。 機械学習 [2] や統計の分野では、これまでさまざまな予測手法が報告されてきましたが、現在主流の機械学習アプローチにはいくつかの限界があります。 それらのアプローチと問題点は、大きく次の三つに分けられます。 予測モデルの中で古くから使われ、最も単純なのは自己回帰モデル [3] です。 しかし、自己回帰モデルは冗長性が高いため、訓練データのゆらぎに引きずられて過学習 [4] を起こしやすく、汎化誤差が大きくなってしまいます。 そのため、良い情報表現を得るには次元削減 [5] を行う必要があります。 |cyk| wwk| yzc| aoc| rqb| ogg| vzr| ulj| zwk| isj| ivo| yum| dwu| qsc| bop| nyu| qqt| fln| bti| izv| prb| cuf| wnw| jdj| vts| twx| xyg| qxr| wya| ewy| vgc| obu| nhd| wjc| fjw| suj| iqj| klc| dcp| usr| ahw| nan| nfl| mdb| gwr| ukl| cor| wfr| ziu| ysc|