کم برازش
کم برازش (به انگلیسی: Underfitting)[1] به پدیدهٔ نامطلوبی در آمار گفته می‌شود که در آن درجه آزادی مدل بسیار کمتر از درجه آزادی واقعی انتخاب شده و در نتیجه اگرچه مدل روی داده استفاده شده برای یادگیری بسیار خوب نتیجه می‌دهد، اما بر روی داده جدید دارای خطای زیاد است.این مشکل معمولاً زمانی به وقوع می پیوندد که تعداد نمونه‌هایی که برای آموزش مدل به کار گرفته شده اند کم باشند یا نسبت طول بردارهای ویژگی هر نمونه به تعداد نمونه‌ها بسیار بالا باشد. این مشکل را معمولاً با روش‌های کاهش ابعاد بردارهای ویژگی یا با استفاده از روش‌های مبتنی بر نگاشت به فضاهایی با ابعاد دیگر مرتفع می نمایند.
جستارهای وابسته
منابع
- معادل فارسی برگرفته از van der Aalst, W., Rubin, V., Verbeek, H., van Dongen, B., Kindler, E., and Günther, C. 2010. Process mining: A two-step approach to balance between underfitting and overfitting. Softw. Syst. Model. 9, 1, 87--111.
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.