Thuật toán ‘Gradient Boosting’ (Tăng cường độ dốc) cải thiện hiệu suất bằng cách nào?

Cải thiện độ chính xác và khả năng tổng quát hóa bằng cách kết hợp nhiều mô hình

Giảm thời gian huấn luyện mô hình

Đơn giản hóa quy trình tiền xử lý dữ liệu

Tự động lựa chọn thuật toán phù hợp nhất

Ngăn chặn overfitting bằng cách ngẫu nhiên bỏ qua một số nơ-ron trong quá trình huấn luyện

Tăng tốc độ lan truyền tín hiệu qua mạng

Giảm số lượng lớp ẩn trong mạng

Tự động hóa việc lựa chọn hàm kích hoạt

A. Tỷ lệ các dự đoán đúng trên tổng số dự đoán

B. Tỷ lệ các dự đoán dương tính đúng trên tổng số dự đoán dương tính

C. Tỷ lệ các dự đoán dương tính đúng trên tổng số trường hợp dương tính thực tế

Tập huấn luyện (Training set), tập kiểm định (Validation set) và tập kiểm tra (Test set)

Chỉ tập huấn luyện và tập kiểm tra

Tập huấn luyện và tập tiền xử lý

Tập huấn luyện, tập xác định đặc trưng và tập kiểm tra

Học không giám sát (Unsupervised Learning)

Học có giám sát (Supervised Learning)

Học tăng cường (Reinforcement Learning)

Học bán giám sát (Semi-supervised Learning)

Precision và Recall

Accuracy và Precision

Accuracy và Recall

True Positives và False Positives

Mô hình quá đơn giản, không nắm bắt được các mối quan hệ cơ bản trong dữ liệu

Mô hình hoạt động quá tốt trên dữ liệu huấn luyện

Mô hình có quá nhiều tham số

Dữ liệu huấn luyện quá nhiễu