As illustrated by Figure 23.8, if t

As illustrated by Figure 23.8, if the model is too simple in comparison with the
target function, then the learned function may not be capable of approximating the
target function, making it under-fit (Figure 23.8a). On the other hand, if the model
is too complex it may start trying to approximate irrelevant information (e.g. noise
that may be contained in the output values) which will cause the learned function
to over-fit the target function (Figure 23.8b). A possible solution to this is to have a
number of candidate models. The goal of model selection (MS) is thus to determine
the weights of the models in the ensemble, or in the case of a single model being
used, to select an appropriate one (Figure 23.8c):

ผลลัพธ์ (ไทย) 1:

ตามรูปอมิโลส 23.8 ว่าง่ายเกินไปเปรียบเทียบกับรูปแบบการเป้าหมายฟังก์ชัน แล้วเรียนรู้ฟังก์ชันอาจไม่มีความสามารถระหว่างการฟังก์ชันเป้าหมาย ทำให้ (รูป 23.8a) ภายใต้ fit ในทางกลับกัน ถ้าแบบมีความซับซ้อนเกินไปก็อาจเริ่มพยายามประมาณข้อมูลไม่เกี่ยวข้อง (เช่นเสียงรบกวนที่อาจประกอบด้วยค่าผลผลิต) ซึ่งจะทำให้การทำงานเรียนรู้การมากกว่า-fit ฟังก์ชันเป้าหมาย (รูป 23.8b) การแก้ไขเป็นไปได้นี้จะมีการจำนวนผู้สมัครรุ่น เป้าหมายของการเลือกรูปแบบ (MS) จึงกำหนดน้ำหนักของรูปแบบวงดนตรี หรือใน กรณีที่มีรูปแบบเดียวใช้ เลือกที่เหมาะสมหนึ่ง (รูปอมิโลส 23.8 c):

ผลลัพธ์ (ไทย) 2:

แสดงตามรูปที่ 23.8 ถ้ารูปแบบง่ายเกินไปเมื่อเทียบกับ
ฟังก์ชั่นเป้าหมายแล้วฟังก์ชั่นการเรียนรู้อาจจะไม่สามารถใกล้เคียงกับ
ฟังก์ชั่นเป้าหมายทำให้เข้าใจไฟตัน (รูปที่ 23.8a) ในทางตรงกันข้ามถ้ารูปแบบ
ที่มีความซับซ้อนมากเกินไปก็อาจจะเริ่มพยายามที่จะใกล้เคียงกับข้อมูลที่ไม่เกี่ยวข้อง (เช่นเสียง
ที่อาจจะมีอยู่ในค่าเอาท์พุท) ซึ่งจะทำให้เกิดการเรียนรู้ฟังก์ชั่น
ที่จะสายเกินเป้าหมายทีฟังก์ชั่น (รูปที่ 23.8b) วิธีการแก้ปัญหาที่เป็นไปได้ในการนี้จะมี
หลายรูปแบบที่ผู้สมัคร เป้าหมายของการเลือกรูปแบบ (MS) จึงจะตรวจสอบ
น้ำหนักของรูปแบบในชุดหรือในกรณีของรูปแบบเดียวที่ถูก
นำมาใช้เพื่อเลือกหนึ่งที่เหมาะสม (รูปที่ 23.8c):

ผลลัพธ์ (ไทย) 3:

ที่แสดงโดยรูป 23.8 หากรูปแบบด้วยง่ายในการเปรียบเทียบกับ
ฟังก์ชันเป้าหมาย แล้วเรียนรู้ การทำงานอาจไม่สามารถประมาณ
ฟังก์ชันเป้าหมาย ทำให้ใต้จึง T ( รูป 23.8a ) ในทางกลับกัน ถ้านางแบบ
ซับซ้อนมากเกินไปมันอาจพยายามที่จะเริ่มต้นประมาณข้อมูลที่ไม่เกี่ยวข้อง เช่น เสียง
ที่อาจจะอยู่ในการส่งออกค่า ) ซึ่งจะทำให้ได้เรียนรู้การทำงาน
กว่า - จึงไม่ฟังก์ชั่นเป้าหมาย ( รูป 23.8b ) การแก้ไขนี้จะต้องมีหมายเลขของรูปแบบ
ผู้สมัคร เป้าหมายของการเลือกรูปแบบ ( MS ) จึงหา
น้ำหนักนางแบบในชุด หรือในกรณีของแต่ละรุ่นถูก
ใช้เพื่อเลือกหนึ่งที่เหมาะสม ( รูป 23.8c ) :